hardlyworking commited on
Commit
35295ec
·
verified ·
1 Parent(s): f906341

Training in progress, step 480, checkpoint

Browse files
checkpoint-480/added_tokens.json ADDED
@@ -0,0 +1,5 @@
 
 
 
 
 
 
1
+ {
2
+ "<|endofprompt|>": 100276,
3
+ "<|im_end|>": 100265,
4
+ "<|im_start|>": 100264
5
+ }
checkpoint-480/chat_template.jinja ADDED
@@ -0,0 +1,4 @@
 
 
 
 
 
1
+ {% if not add_generation_prompt is defined %}{% set add_generation_prompt = false %}{% endif %}{% for message in messages %}{{'<|im_start|>' + message['role'] + '
2
+ ' + message['content'] + '<|im_end|>' + '
3
+ '}}{% endfor %}{% if add_generation_prompt %}{{ '<|im_start|>assistant
4
+ ' }}{% endif %}
checkpoint-480/config.json ADDED
@@ -0,0 +1,32 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "architectures": [
3
+ "LlamaForCausalLM"
4
+ ],
5
+ "attention_bias": false,
6
+ "attention_dropout": 0.0,
7
+ "bos_token_id": 100257,
8
+ "embd_pdrop": 0.0,
9
+ "eos_token_id": 100265,
10
+ "head_dim": 128,
11
+ "hidden_act": "silu",
12
+ "hidden_size": 4096,
13
+ "initializer_range": 0.02,
14
+ "intermediate_size": 8192,
15
+ "max_position_embeddings": 262144,
16
+ "mlp_bias": false,
17
+ "model_type": "llama",
18
+ "num_attention_heads": 32,
19
+ "num_hidden_layers": 28,
20
+ "num_key_value_heads": 8,
21
+ "pad_token_id": 100257,
22
+ "pretraining_tp": 1,
23
+ "resid_pdrop": 0.0,
24
+ "rms_norm_eps": 1e-06,
25
+ "rope_scaling": null,
26
+ "rope_theta": 128000000,
27
+ "tie_word_embeddings": true,
28
+ "torch_dtype": "bfloat16",
29
+ "transformers_version": "4.52.3",
30
+ "use_cache": false,
31
+ "vocab_size": 102400
32
+ }
checkpoint-480/generation_config.json ADDED
@@ -0,0 +1,9 @@
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "_from_model_config": true,
3
+ "bos_token_id": 100257,
4
+ "do_sample": true,
5
+ "eos_token_id": 100265,
6
+ "pad_token_id": 100257,
7
+ "transformers_version": "4.52.3",
8
+ "use_cache": false
9
+ }
checkpoint-480/merges.txt ADDED
The diff for this file is too large to render. See raw diff
 
checkpoint-480/model-00001-of-00002.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:37b46dc7879fba7a4b09dd76b680bbb61980fcfcab43f3559a2e509b774bedfe
3
+ size 4983077832
checkpoint-480/model-00002-of-00002.safetensors ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:9bab6ba11b8bbba4cd8cf2193458340578030057a2293d90c216f6c64a4f9c4f
3
+ size 3842234168
checkpoint-480/model.safetensors.index.json ADDED
@@ -0,0 +1,261 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "metadata": {
3
+ "total_size": 8825282560
4
+ },
5
+ "weight_map": {
6
+ "model.embed_tokens.weight": "model-00001-of-00002.safetensors",
7
+ "model.layers.0.input_layernorm.weight": "model-00001-of-00002.safetensors",
8
+ "model.layers.0.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
9
+ "model.layers.0.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
10
+ "model.layers.0.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
11
+ "model.layers.0.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
12
+ "model.layers.0.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
13
+ "model.layers.0.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
14
+ "model.layers.0.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
15
+ "model.layers.0.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
16
+ "model.layers.1.input_layernorm.weight": "model-00001-of-00002.safetensors",
17
+ "model.layers.1.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
18
+ "model.layers.1.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
19
+ "model.layers.1.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
20
+ "model.layers.1.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
21
+ "model.layers.1.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
22
+ "model.layers.1.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
23
+ "model.layers.1.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
24
+ "model.layers.1.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
25
+ "model.layers.10.input_layernorm.weight": "model-00001-of-00002.safetensors",
26
+ "model.layers.10.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
27
+ "model.layers.10.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
28
+ "model.layers.10.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
29
+ "model.layers.10.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
30
+ "model.layers.10.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
31
+ "model.layers.10.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
32
+ "model.layers.10.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
33
+ "model.layers.10.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
34
+ "model.layers.11.input_layernorm.weight": "model-00001-of-00002.safetensors",
35
+ "model.layers.11.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
36
+ "model.layers.11.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
37
+ "model.layers.11.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
38
+ "model.layers.11.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
39
+ "model.layers.11.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
40
+ "model.layers.11.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
41
+ "model.layers.11.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
42
+ "model.layers.11.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
43
+ "model.layers.12.input_layernorm.weight": "model-00001-of-00002.safetensors",
44
+ "model.layers.12.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
45
+ "model.layers.12.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
46
+ "model.layers.12.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
47
+ "model.layers.12.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
48
+ "model.layers.12.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
49
+ "model.layers.12.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
50
+ "model.layers.12.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
51
+ "model.layers.12.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
52
+ "model.layers.13.input_layernorm.weight": "model-00001-of-00002.safetensors",
53
+ "model.layers.13.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
54
+ "model.layers.13.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
55
+ "model.layers.13.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
56
+ "model.layers.13.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
57
+ "model.layers.13.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
58
+ "model.layers.13.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
59
+ "model.layers.13.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
60
+ "model.layers.13.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
61
+ "model.layers.14.input_layernorm.weight": "model-00002-of-00002.safetensors",
62
+ "model.layers.14.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
63
+ "model.layers.14.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
64
+ "model.layers.14.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
65
+ "model.layers.14.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
66
+ "model.layers.14.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
67
+ "model.layers.14.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
68
+ "model.layers.14.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
69
+ "model.layers.14.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
70
+ "model.layers.15.input_layernorm.weight": "model-00002-of-00002.safetensors",
71
+ "model.layers.15.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
72
+ "model.layers.15.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
73
+ "model.layers.15.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
74
+ "model.layers.15.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
75
+ "model.layers.15.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
76
+ "model.layers.15.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
77
+ "model.layers.15.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
78
+ "model.layers.15.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
79
+ "model.layers.16.input_layernorm.weight": "model-00002-of-00002.safetensors",
80
+ "model.layers.16.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
81
+ "model.layers.16.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
82
+ "model.layers.16.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
83
+ "model.layers.16.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
84
+ "model.layers.16.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
85
+ "model.layers.16.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
86
+ "model.layers.16.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
87
+ "model.layers.16.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
88
+ "model.layers.17.input_layernorm.weight": "model-00002-of-00002.safetensors",
89
+ "model.layers.17.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
90
+ "model.layers.17.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
91
+ "model.layers.17.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
92
+ "model.layers.17.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
93
+ "model.layers.17.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
94
+ "model.layers.17.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
95
+ "model.layers.17.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
96
+ "model.layers.17.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
97
+ "model.layers.18.input_layernorm.weight": "model-00002-of-00002.safetensors",
98
+ "model.layers.18.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
99
+ "model.layers.18.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
100
+ "model.layers.18.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
101
+ "model.layers.18.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
102
+ "model.layers.18.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
103
+ "model.layers.18.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
104
+ "model.layers.18.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
105
+ "model.layers.18.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
106
+ "model.layers.19.input_layernorm.weight": "model-00002-of-00002.safetensors",
107
+ "model.layers.19.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
108
+ "model.layers.19.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
109
+ "model.layers.19.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
110
+ "model.layers.19.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
111
+ "model.layers.19.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
112
+ "model.layers.19.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
113
+ "model.layers.19.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
114
+ "model.layers.19.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
115
+ "model.layers.2.input_layernorm.weight": "model-00001-of-00002.safetensors",
116
+ "model.layers.2.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
117
+ "model.layers.2.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
118
+ "model.layers.2.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
119
+ "model.layers.2.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
120
+ "model.layers.2.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
121
+ "model.layers.2.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
122
+ "model.layers.2.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
123
+ "model.layers.2.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
124
+ "model.layers.20.input_layernorm.weight": "model-00002-of-00002.safetensors",
125
+ "model.layers.20.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
126
+ "model.layers.20.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
127
+ "model.layers.20.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
128
+ "model.layers.20.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
129
+ "model.layers.20.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
130
+ "model.layers.20.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
131
+ "model.layers.20.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
132
+ "model.layers.20.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
133
+ "model.layers.21.input_layernorm.weight": "model-00002-of-00002.safetensors",
134
+ "model.layers.21.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
135
+ "model.layers.21.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
136
+ "model.layers.21.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
137
+ "model.layers.21.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
138
+ "model.layers.21.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
139
+ "model.layers.21.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
140
+ "model.layers.21.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
141
+ "model.layers.21.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
142
+ "model.layers.22.input_layernorm.weight": "model-00002-of-00002.safetensors",
143
+ "model.layers.22.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
144
+ "model.layers.22.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
145
+ "model.layers.22.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
146
+ "model.layers.22.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
147
+ "model.layers.22.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
148
+ "model.layers.22.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
149
+ "model.layers.22.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
150
+ "model.layers.22.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
151
+ "model.layers.23.input_layernorm.weight": "model-00002-of-00002.safetensors",
152
+ "model.layers.23.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
153
+ "model.layers.23.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
154
+ "model.layers.23.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
155
+ "model.layers.23.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
156
+ "model.layers.23.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
157
+ "model.layers.23.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
158
+ "model.layers.23.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
159
+ "model.layers.23.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
160
+ "model.layers.24.input_layernorm.weight": "model-00002-of-00002.safetensors",
161
+ "model.layers.24.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
162
+ "model.layers.24.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
163
+ "model.layers.24.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
164
+ "model.layers.24.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
165
+ "model.layers.24.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
166
+ "model.layers.24.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
167
+ "model.layers.24.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
168
+ "model.layers.24.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
169
+ "model.layers.25.input_layernorm.weight": "model-00002-of-00002.safetensors",
170
+ "model.layers.25.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
171
+ "model.layers.25.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
172
+ "model.layers.25.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
173
+ "model.layers.25.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
174
+ "model.layers.25.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
175
+ "model.layers.25.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
176
+ "model.layers.25.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
177
+ "model.layers.25.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
178
+ "model.layers.26.input_layernorm.weight": "model-00002-of-00002.safetensors",
179
+ "model.layers.26.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
180
+ "model.layers.26.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
181
+ "model.layers.26.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
182
+ "model.layers.26.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
183
+ "model.layers.26.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
184
+ "model.layers.26.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
185
+ "model.layers.26.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
186
+ "model.layers.26.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
187
+ "model.layers.27.input_layernorm.weight": "model-00002-of-00002.safetensors",
188
+ "model.layers.27.mlp.down_proj.weight": "model-00002-of-00002.safetensors",
189
+ "model.layers.27.mlp.gate_proj.weight": "model-00002-of-00002.safetensors",
190
+ "model.layers.27.mlp.up_proj.weight": "model-00002-of-00002.safetensors",
191
+ "model.layers.27.post_attention_layernorm.weight": "model-00002-of-00002.safetensors",
192
+ "model.layers.27.self_attn.k_proj.weight": "model-00002-of-00002.safetensors",
193
+ "model.layers.27.self_attn.o_proj.weight": "model-00002-of-00002.safetensors",
194
+ "model.layers.27.self_attn.q_proj.weight": "model-00002-of-00002.safetensors",
195
+ "model.layers.27.self_attn.v_proj.weight": "model-00002-of-00002.safetensors",
196
+ "model.layers.3.input_layernorm.weight": "model-00001-of-00002.safetensors",
197
+ "model.layers.3.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
198
+ "model.layers.3.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
199
+ "model.layers.3.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
200
+ "model.layers.3.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
201
+ "model.layers.3.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
202
+ "model.layers.3.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
203
+ "model.layers.3.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
204
+ "model.layers.3.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
205
+ "model.layers.4.input_layernorm.weight": "model-00001-of-00002.safetensors",
206
+ "model.layers.4.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
207
+ "model.layers.4.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
208
+ "model.layers.4.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
209
+ "model.layers.4.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
210
+ "model.layers.4.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
211
+ "model.layers.4.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
212
+ "model.layers.4.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
213
+ "model.layers.4.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
214
+ "model.layers.5.input_layernorm.weight": "model-00001-of-00002.safetensors",
215
+ "model.layers.5.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
216
+ "model.layers.5.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
217
+ "model.layers.5.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
218
+ "model.layers.5.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
219
+ "model.layers.5.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
220
+ "model.layers.5.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
221
+ "model.layers.5.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
222
+ "model.layers.5.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
223
+ "model.layers.6.input_layernorm.weight": "model-00001-of-00002.safetensors",
224
+ "model.layers.6.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
225
+ "model.layers.6.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
226
+ "model.layers.6.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
227
+ "model.layers.6.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
228
+ "model.layers.6.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
229
+ "model.layers.6.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
230
+ "model.layers.6.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
231
+ "model.layers.6.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
232
+ "model.layers.7.input_layernorm.weight": "model-00001-of-00002.safetensors",
233
+ "model.layers.7.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
234
+ "model.layers.7.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
235
+ "model.layers.7.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
236
+ "model.layers.7.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
237
+ "model.layers.7.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
238
+ "model.layers.7.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
239
+ "model.layers.7.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
240
+ "model.layers.7.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
241
+ "model.layers.8.input_layernorm.weight": "model-00001-of-00002.safetensors",
242
+ "model.layers.8.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
243
+ "model.layers.8.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
244
+ "model.layers.8.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
245
+ "model.layers.8.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
246
+ "model.layers.8.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
247
+ "model.layers.8.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
248
+ "model.layers.8.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
249
+ "model.layers.8.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
250
+ "model.layers.9.input_layernorm.weight": "model-00001-of-00002.safetensors",
251
+ "model.layers.9.mlp.down_proj.weight": "model-00001-of-00002.safetensors",
252
+ "model.layers.9.mlp.gate_proj.weight": "model-00001-of-00002.safetensors",
253
+ "model.layers.9.mlp.up_proj.weight": "model-00001-of-00002.safetensors",
254
+ "model.layers.9.post_attention_layernorm.weight": "model-00001-of-00002.safetensors",
255
+ "model.layers.9.self_attn.k_proj.weight": "model-00001-of-00002.safetensors",
256
+ "model.layers.9.self_attn.o_proj.weight": "model-00001-of-00002.safetensors",
257
+ "model.layers.9.self_attn.q_proj.weight": "model-00001-of-00002.safetensors",
258
+ "model.layers.9.self_attn.v_proj.weight": "model-00001-of-00002.safetensors",
259
+ "model.norm.weight": "model-00002-of-00002.safetensors"
260
+ }
261
+ }
checkpoint-480/optimizer.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:afaa7895a6e1025a223e259fa40a1e25754a603046c49b84edfd150f85e6fb48
3
+ size 11466963134
checkpoint-480/rng_state_0.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:5f0d1a15fe1b6cfacdd30b06f0d68190dda9ff32b569eca1fe544ac9ab4f199b
3
+ size 14512
checkpoint-480/rng_state_1.pth ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:74058d7903c987c8077a57fa316ecf9556b937704686301014c187fcf601afa3
3
+ size 14512
checkpoint-480/scheduler.pt ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:c1f8d58255d96bdcb0ea69ea4af7132957da519f50bfa71a57ca1ae503cd1aa8
3
+ size 1064
checkpoint-480/special_tokens_map.json ADDED
@@ -0,0 +1,30 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "bos_token": {
3
+ "content": "<|endoftext|>",
4
+ "lstrip": false,
5
+ "normalized": false,
6
+ "rstrip": false,
7
+ "single_word": false
8
+ },
9
+ "eos_token": {
10
+ "content": "<|im_end|>",
11
+ "lstrip": false,
12
+ "normalized": false,
13
+ "rstrip": false,
14
+ "single_word": false
15
+ },
16
+ "pad_token": {
17
+ "content": "<|endoftext|>",
18
+ "lstrip": false,
19
+ "normalized": false,
20
+ "rstrip": false,
21
+ "single_word": false
22
+ },
23
+ "unk_token": {
24
+ "content": "<|endoftext|>",
25
+ "lstrip": false,
26
+ "normalized": false,
27
+ "rstrip": false,
28
+ "single_word": false
29
+ }
30
+ }
checkpoint-480/tokenizer.json ADDED
The diff for this file is too large to render. See raw diff
 
checkpoint-480/tokenizer_config.json ADDED
@@ -0,0 +1,69 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "add_prefix_space": false,
3
+ "added_tokens_decoder": {
4
+ "100257": {
5
+ "content": "<|endoftext|>",
6
+ "lstrip": false,
7
+ "normalized": false,
8
+ "rstrip": false,
9
+ "single_word": false,
10
+ "special": true
11
+ },
12
+ "100258": {
13
+ "content": "<|fim_prefix|>",
14
+ "lstrip": false,
15
+ "normalized": false,
16
+ "rstrip": false,
17
+ "single_word": false,
18
+ "special": true
19
+ },
20
+ "100259": {
21
+ "content": "<|fim_middle|>",
22
+ "lstrip": false,
23
+ "normalized": false,
24
+ "rstrip": false,
25
+ "single_word": false,
26
+ "special": true
27
+ },
28
+ "100260": {
29
+ "content": "<|fim_suffix|>",
30
+ "lstrip": false,
31
+ "normalized": false,
32
+ "rstrip": false,
33
+ "single_word": false,
34
+ "special": true
35
+ },
36
+ "100264": {
37
+ "content": "<|im_start|>",
38
+ "lstrip": false,
39
+ "normalized": false,
40
+ "rstrip": false,
41
+ "single_word": false,
42
+ "special": false
43
+ },
44
+ "100265": {
45
+ "content": "<|im_end|>",
46
+ "lstrip": false,
47
+ "normalized": false,
48
+ "rstrip": false,
49
+ "single_word": false,
50
+ "special": true
51
+ },
52
+ "100276": {
53
+ "content": "<|endofprompt|>",
54
+ "lstrip": false,
55
+ "normalized": false,
56
+ "rstrip": false,
57
+ "single_word": false,
58
+ "special": true
59
+ }
60
+ },
61
+ "bos_token": "<|endoftext|>",
62
+ "clean_up_tokenization_spaces": false,
63
+ "eos_token": "<|im_end|>",
64
+ "extra_special_tokens": {},
65
+ "model_max_length": 262144,
66
+ "pad_token": "<|endoftext|>",
67
+ "tokenizer_class": "GPT2Tokenizer",
68
+ "unk_token": "<|endoftext|>"
69
+ }
checkpoint-480/trainer_state.json ADDED
@@ -0,0 +1,3530 @@
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+ {
2
+ "best_global_step": null,
3
+ "best_metric": null,
4
+ "best_model_checkpoint": null,
5
+ "epoch": 2.0,
6
+ "eval_steps": 30,
7
+ "global_step": 480,
8
+ "is_hyper_param_search": false,
9
+ "is_local_process_zero": true,
10
+ "is_world_process_zero": true,
11
+ "log_history": [
12
+ {
13
+ "epoch": 0,
14
+ "eval_loss": 2.642014741897583,
15
+ "eval_runtime": 20.9906,
16
+ "eval_samples_per_second": 117.672,
17
+ "eval_steps_per_second": 29.442,
18
+ "step": 0
19
+ },
20
+ {
21
+ "epoch": 0.004166666666666667,
22
+ "grad_norm": 7.6875,
23
+ "learning_rate": 0.0,
24
+ "loss": 2.2679,
25
+ "step": 1
26
+ },
27
+ {
28
+ "epoch": 0.008333333333333333,
29
+ "grad_norm": 7.3125,
30
+ "learning_rate": 4.1666666666666667e-07,
31
+ "loss": 2.0764,
32
+ "step": 2
33
+ },
34
+ {
35
+ "epoch": 0.0125,
36
+ "grad_norm": 7.9375,
37
+ "learning_rate": 8.333333333333333e-07,
38
+ "loss": 2.2987,
39
+ "step": 3
40
+ },
41
+ {
42
+ "epoch": 0.016666666666666666,
43
+ "grad_norm": 7.5,
44
+ "learning_rate": 1.25e-06,
45
+ "loss": 2.1665,
46
+ "step": 4
47
+ },
48
+ {
49
+ "epoch": 0.020833333333333332,
50
+ "grad_norm": 7.90625,
51
+ "learning_rate": 1.6666666666666667e-06,
52
+ "loss": 2.2858,
53
+ "step": 5
54
+ },
55
+ {
56
+ "epoch": 0.025,
57
+ "grad_norm": 7.5625,
58
+ "learning_rate": 2.0833333333333334e-06,
59
+ "loss": 2.1824,
60
+ "step": 6
61
+ },
62
+ {
63
+ "epoch": 0.029166666666666667,
64
+ "grad_norm": 7.71875,
65
+ "learning_rate": 2.5e-06,
66
+ "loss": 2.1229,
67
+ "step": 7
68
+ },
69
+ {
70
+ "epoch": 0.03333333333333333,
71
+ "grad_norm": 7.3125,
72
+ "learning_rate": 2.916666666666667e-06,
73
+ "loss": 2.1932,
74
+ "step": 8
75
+ },
76
+ {
77
+ "epoch": 0.0375,
78
+ "grad_norm": 6.59375,
79
+ "learning_rate": 3.3333333333333333e-06,
80
+ "loss": 2.0353,
81
+ "step": 9
82
+ },
83
+ {
84
+ "epoch": 0.041666666666666664,
85
+ "grad_norm": 6.65625,
86
+ "learning_rate": 3.7500000000000005e-06,
87
+ "loss": 2.0662,
88
+ "step": 10
89
+ },
90
+ {
91
+ "epoch": 0.04583333333333333,
92
+ "grad_norm": 5.84375,
93
+ "learning_rate": 4.166666666666667e-06,
94
+ "loss": 2.0314,
95
+ "step": 11
96
+ },
97
+ {
98
+ "epoch": 0.05,
99
+ "grad_norm": 5.71875,
100
+ "learning_rate": 4.583333333333333e-06,
101
+ "loss": 1.9706,
102
+ "step": 12
103
+ },
104
+ {
105
+ "epoch": 0.05416666666666667,
106
+ "grad_norm": 5.3125,
107
+ "learning_rate": 5e-06,
108
+ "loss": 2.1048,
109
+ "step": 13
110
+ },
111
+ {
112
+ "epoch": 0.058333333333333334,
113
+ "grad_norm": 5.0,
114
+ "learning_rate": 5.416666666666667e-06,
115
+ "loss": 2.0047,
116
+ "step": 14
117
+ },
118
+ {
119
+ "epoch": 0.0625,
120
+ "grad_norm": 4.1875,
121
+ "learning_rate": 5.833333333333334e-06,
122
+ "loss": 2.2391,
123
+ "step": 15
124
+ },
125
+ {
126
+ "epoch": 0.06666666666666667,
127
+ "grad_norm": 3.59375,
128
+ "learning_rate": 6.25e-06,
129
+ "loss": 1.8211,
130
+ "step": 16
131
+ },
132
+ {
133
+ "epoch": 0.07083333333333333,
134
+ "grad_norm": 3.0,
135
+ "learning_rate": 6.666666666666667e-06,
136
+ "loss": 1.9592,
137
+ "step": 17
138
+ },
139
+ {
140
+ "epoch": 0.075,
141
+ "grad_norm": 2.421875,
142
+ "learning_rate": 7.083333333333335e-06,
143
+ "loss": 2.0998,
144
+ "step": 18
145
+ },
146
+ {
147
+ "epoch": 0.07916666666666666,
148
+ "grad_norm": 2.046875,
149
+ "learning_rate": 7.500000000000001e-06,
150
+ "loss": 2.0714,
151
+ "step": 19
152
+ },
153
+ {
154
+ "epoch": 0.08333333333333333,
155
+ "grad_norm": 1.4609375,
156
+ "learning_rate": 7.916666666666667e-06,
157
+ "loss": 1.8589,
158
+ "step": 20
159
+ },
160
+ {
161
+ "epoch": 0.0875,
162
+ "grad_norm": 1.5234375,
163
+ "learning_rate": 8.333333333333334e-06,
164
+ "loss": 1.8568,
165
+ "step": 21
166
+ },
167
+ {
168
+ "epoch": 0.09166666666666666,
169
+ "grad_norm": 1.46875,
170
+ "learning_rate": 8.750000000000001e-06,
171
+ "loss": 1.9781,
172
+ "step": 22
173
+ },
174
+ {
175
+ "epoch": 0.09583333333333334,
176
+ "grad_norm": 1.4375,
177
+ "learning_rate": 9.166666666666666e-06,
178
+ "loss": 1.9,
179
+ "step": 23
180
+ },
181
+ {
182
+ "epoch": 0.1,
183
+ "grad_norm": 1.3671875,
184
+ "learning_rate": 9.583333333333335e-06,
185
+ "loss": 2.0628,
186
+ "step": 24
187
+ },
188
+ {
189
+ "epoch": 0.10416666666666667,
190
+ "grad_norm": 1.484375,
191
+ "learning_rate": 1e-05,
192
+ "loss": 1.7862,
193
+ "step": 25
194
+ },
195
+ {
196
+ "epoch": 0.10833333333333334,
197
+ "grad_norm": 1.3046875,
198
+ "learning_rate": 9.999881338905204e-06,
199
+ "loss": 1.8664,
200
+ "step": 26
201
+ },
202
+ {
203
+ "epoch": 0.1125,
204
+ "grad_norm": 1.125,
205
+ "learning_rate": 9.999525361252996e-06,
206
+ "loss": 2.1209,
207
+ "step": 27
208
+ },
209
+ {
210
+ "epoch": 0.11666666666666667,
211
+ "grad_norm": 1.1484375,
212
+ "learning_rate": 9.998932083939657e-06,
213
+ "loss": 1.8622,
214
+ "step": 28
215
+ },
216
+ {
217
+ "epoch": 0.12083333333333333,
218
+ "grad_norm": 0.9765625,
219
+ "learning_rate": 9.998101535124758e-06,
220
+ "loss": 1.9644,
221
+ "step": 29
222
+ },
223
+ {
224
+ "epoch": 0.125,
225
+ "grad_norm": 0.89453125,
226
+ "learning_rate": 9.997033754229835e-06,
227
+ "loss": 2.0119,
228
+ "step": 30
229
+ },
230
+ {
231
+ "epoch": 0.125,
232
+ "eval_loss": 2.210519313812256,
233
+ "eval_runtime": 18.6736,
234
+ "eval_samples_per_second": 132.272,
235
+ "eval_steps_per_second": 33.095,
236
+ "step": 30
237
+ },
238
+ {
239
+ "epoch": 0.12916666666666668,
240
+ "grad_norm": 1.015625,
241
+ "learning_rate": 9.995728791936505e-06,
242
+ "loss": 1.837,
243
+ "step": 31
244
+ },
245
+ {
246
+ "epoch": 0.13333333333333333,
247
+ "grad_norm": 0.859375,
248
+ "learning_rate": 9.994186710184073e-06,
249
+ "loss": 1.8761,
250
+ "step": 32
251
+ },
252
+ {
253
+ "epoch": 0.1375,
254
+ "grad_norm": 0.9375,
255
+ "learning_rate": 9.992407582166582e-06,
256
+ "loss": 1.9664,
257
+ "step": 33
258
+ },
259
+ {
260
+ "epoch": 0.14166666666666666,
261
+ "grad_norm": 0.93359375,
262
+ "learning_rate": 9.990391492329341e-06,
263
+ "loss": 1.9572,
264
+ "step": 34
265
+ },
266
+ {
267
+ "epoch": 0.14583333333333334,
268
+ "grad_norm": 0.8828125,
269
+ "learning_rate": 9.988138536364922e-06,
270
+ "loss": 1.8877,
271
+ "step": 35
272
+ },
273
+ {
274
+ "epoch": 0.15,
275
+ "grad_norm": 0.7265625,
276
+ "learning_rate": 9.985648821208616e-06,
277
+ "loss": 1.7866,
278
+ "step": 36
279
+ },
280
+ {
281
+ "epoch": 0.15416666666666667,
282
+ "grad_norm": 0.86328125,
283
+ "learning_rate": 9.98292246503335e-06,
284
+ "loss": 1.9915,
285
+ "step": 37
286
+ },
287
+ {
288
+ "epoch": 0.15833333333333333,
289
+ "grad_norm": 0.69921875,
290
+ "learning_rate": 9.979959597244089e-06,
291
+ "loss": 1.8569,
292
+ "step": 38
293
+ },
294
+ {
295
+ "epoch": 0.1625,
296
+ "grad_norm": 0.71484375,
297
+ "learning_rate": 9.976760358471687e-06,
298
+ "loss": 1.8634,
299
+ "step": 39
300
+ },
301
+ {
302
+ "epoch": 0.16666666666666666,
303
+ "grad_norm": 0.80859375,
304
+ "learning_rate": 9.973324900566214e-06,
305
+ "loss": 1.7219,
306
+ "step": 40
307
+ },
308
+ {
309
+ "epoch": 0.17083333333333334,
310
+ "grad_norm": 0.78515625,
311
+ "learning_rate": 9.969653386589749e-06,
312
+ "loss": 1.8311,
313
+ "step": 41
314
+ },
315
+ {
316
+ "epoch": 0.175,
317
+ "grad_norm": 0.71875,
318
+ "learning_rate": 9.965745990808638e-06,
319
+ "loss": 1.8661,
320
+ "step": 42
321
+ },
322
+ {
323
+ "epoch": 0.17916666666666667,
324
+ "grad_norm": 0.734375,
325
+ "learning_rate": 9.961602898685225e-06,
326
+ "loss": 1.7509,
327
+ "step": 43
328
+ },
329
+ {
330
+ "epoch": 0.18333333333333332,
331
+ "grad_norm": 0.73046875,
332
+ "learning_rate": 9.957224306869053e-06,
333
+ "loss": 1.8696,
334
+ "step": 44
335
+ },
336
+ {
337
+ "epoch": 0.1875,
338
+ "grad_norm": 0.671875,
339
+ "learning_rate": 9.952610423187516e-06,
340
+ "loss": 1.9372,
341
+ "step": 45
342
+ },
343
+ {
344
+ "epoch": 0.19166666666666668,
345
+ "grad_norm": 0.640625,
346
+ "learning_rate": 9.947761466636014e-06,
347
+ "loss": 1.8945,
348
+ "step": 46
349
+ },
350
+ {
351
+ "epoch": 0.19583333333333333,
352
+ "grad_norm": 0.66015625,
353
+ "learning_rate": 9.942677667367541e-06,
354
+ "loss": 1.8202,
355
+ "step": 47
356
+ },
357
+ {
358
+ "epoch": 0.2,
359
+ "grad_norm": 0.73046875,
360
+ "learning_rate": 9.937359266681774e-06,
361
+ "loss": 1.9365,
362
+ "step": 48
363
+ },
364
+ {
365
+ "epoch": 0.20416666666666666,
366
+ "grad_norm": 0.64453125,
367
+ "learning_rate": 9.931806517013612e-06,
368
+ "loss": 1.8413,
369
+ "step": 49
370
+ },
371
+ {
372
+ "epoch": 0.20833333333333334,
373
+ "grad_norm": 0.640625,
374
+ "learning_rate": 9.926019681921196e-06,
375
+ "loss": 1.7936,
376
+ "step": 50
377
+ },
378
+ {
379
+ "epoch": 0.2125,
380
+ "grad_norm": 0.65625,
381
+ "learning_rate": 9.9199990360734e-06,
382
+ "loss": 1.9076,
383
+ "step": 51
384
+ },
385
+ {
386
+ "epoch": 0.21666666666666667,
387
+ "grad_norm": 0.66796875,
388
+ "learning_rate": 9.913744865236798e-06,
389
+ "loss": 1.8004,
390
+ "step": 52
391
+ },
392
+ {
393
+ "epoch": 0.22083333333333333,
394
+ "grad_norm": 0.67578125,
395
+ "learning_rate": 9.90725746626209e-06,
396
+ "loss": 1.9583,
397
+ "step": 53
398
+ },
399
+ {
400
+ "epoch": 0.225,
401
+ "grad_norm": 0.66796875,
402
+ "learning_rate": 9.900537147070025e-06,
403
+ "loss": 2.0294,
404
+ "step": 54
405
+ },
406
+ {
407
+ "epoch": 0.22916666666666666,
408
+ "grad_norm": 0.66796875,
409
+ "learning_rate": 9.893584226636773e-06,
410
+ "loss": 1.8147,
411
+ "step": 55
412
+ },
413
+ {
414
+ "epoch": 0.23333333333333334,
415
+ "grad_norm": 0.6171875,
416
+ "learning_rate": 9.886399034978798e-06,
417
+ "loss": 1.8956,
418
+ "step": 56
419
+ },
420
+ {
421
+ "epoch": 0.2375,
422
+ "grad_norm": 0.69140625,
423
+ "learning_rate": 9.878981913137178e-06,
424
+ "loss": 1.87,
425
+ "step": 57
426
+ },
427
+ {
428
+ "epoch": 0.24166666666666667,
429
+ "grad_norm": 0.62109375,
430
+ "learning_rate": 9.871333213161438e-06,
431
+ "loss": 1.8292,
432
+ "step": 58
433
+ },
434
+ {
435
+ "epoch": 0.24583333333333332,
436
+ "grad_norm": 0.609375,
437
+ "learning_rate": 9.86345329809282e-06,
438
+ "loss": 1.7773,
439
+ "step": 59
440
+ },
441
+ {
442
+ "epoch": 0.25,
443
+ "grad_norm": 0.62890625,
444
+ "learning_rate": 9.855342541947065e-06,
445
+ "loss": 1.8963,
446
+ "step": 60
447
+ },
448
+ {
449
+ "epoch": 0.25,
450
+ "eval_loss": 2.1865341663360596,
451
+ "eval_runtime": 18.0999,
452
+ "eval_samples_per_second": 136.465,
453
+ "eval_steps_per_second": 34.144,
454
+ "step": 60
455
+ },
456
+ {
457
+ "epoch": 0.25416666666666665,
458
+ "grad_norm": 0.58984375,
459
+ "learning_rate": 9.847001329696653e-06,
460
+ "loss": 1.8404,
461
+ "step": 61
462
+ },
463
+ {
464
+ "epoch": 0.25833333333333336,
465
+ "grad_norm": 0.6953125,
466
+ "learning_rate": 9.838430057252537e-06,
467
+ "loss": 1.9001,
468
+ "step": 62
469
+ },
470
+ {
471
+ "epoch": 0.2625,
472
+ "grad_norm": 0.57421875,
473
+ "learning_rate": 9.829629131445342e-06,
474
+ "loss": 1.799,
475
+ "step": 63
476
+ },
477
+ {
478
+ "epoch": 0.26666666666666666,
479
+ "grad_norm": 0.6796875,
480
+ "learning_rate": 9.820598970006068e-06,
481
+ "loss": 1.7145,
482
+ "step": 64
483
+ },
484
+ {
485
+ "epoch": 0.2708333333333333,
486
+ "grad_norm": 0.62109375,
487
+ "learning_rate": 9.811340001546252e-06,
488
+ "loss": 1.886,
489
+ "step": 65
490
+ },
491
+ {
492
+ "epoch": 0.275,
493
+ "grad_norm": 0.6953125,
494
+ "learning_rate": 9.801852665537628e-06,
495
+ "loss": 1.9257,
496
+ "step": 66
497
+ },
498
+ {
499
+ "epoch": 0.2791666666666667,
500
+ "grad_norm": 0.62109375,
501
+ "learning_rate": 9.792137412291265e-06,
502
+ "loss": 1.8697,
503
+ "step": 67
504
+ },
505
+ {
506
+ "epoch": 0.2833333333333333,
507
+ "grad_norm": 0.64453125,
508
+ "learning_rate": 9.782194702936198e-06,
509
+ "loss": 1.8609,
510
+ "step": 68
511
+ },
512
+ {
513
+ "epoch": 0.2875,
514
+ "grad_norm": 0.63671875,
515
+ "learning_rate": 9.772025009397538e-06,
516
+ "loss": 1.7834,
517
+ "step": 69
518
+ },
519
+ {
520
+ "epoch": 0.2916666666666667,
521
+ "grad_norm": 0.625,
522
+ "learning_rate": 9.761628814374074e-06,
523
+ "loss": 1.9522,
524
+ "step": 70
525
+ },
526
+ {
527
+ "epoch": 0.29583333333333334,
528
+ "grad_norm": 0.61328125,
529
+ "learning_rate": 9.751006611315357e-06,
530
+ "loss": 1.8662,
531
+ "step": 71
532
+ },
533
+ {
534
+ "epoch": 0.3,
535
+ "grad_norm": 0.6015625,
536
+ "learning_rate": 9.740158904398286e-06,
537
+ "loss": 1.9992,
538
+ "step": 72
539
+ },
540
+ {
541
+ "epoch": 0.30416666666666664,
542
+ "grad_norm": 0.625,
543
+ "learning_rate": 9.729086208503174e-06,
544
+ "loss": 1.9478,
545
+ "step": 73
546
+ },
547
+ {
548
+ "epoch": 0.30833333333333335,
549
+ "grad_norm": 0.59765625,
550
+ "learning_rate": 9.717789049189306e-06,
551
+ "loss": 1.8988,
552
+ "step": 74
553
+ },
554
+ {
555
+ "epoch": 0.3125,
556
+ "grad_norm": 0.625,
557
+ "learning_rate": 9.706267962669999e-06,
558
+ "loss": 1.885,
559
+ "step": 75
560
+ },
561
+ {
562
+ "epoch": 0.31666666666666665,
563
+ "grad_norm": 0.6171875,
564
+ "learning_rate": 9.694523495787149e-06,
565
+ "loss": 1.8579,
566
+ "step": 76
567
+ },
568
+ {
569
+ "epoch": 0.32083333333333336,
570
+ "grad_norm": 0.60546875,
571
+ "learning_rate": 9.682556205985274e-06,
572
+ "loss": 1.9366,
573
+ "step": 77
574
+ },
575
+ {
576
+ "epoch": 0.325,
577
+ "grad_norm": 0.6484375,
578
+ "learning_rate": 9.670366661285061e-06,
579
+ "loss": 1.795,
580
+ "step": 78
581
+ },
582
+ {
583
+ "epoch": 0.32916666666666666,
584
+ "grad_norm": 0.5859375,
585
+ "learning_rate": 9.657955440256396e-06,
586
+ "loss": 1.8783,
587
+ "step": 79
588
+ },
589
+ {
590
+ "epoch": 0.3333333333333333,
591
+ "grad_norm": 0.6953125,
592
+ "learning_rate": 9.645323131990908e-06,
593
+ "loss": 1.7912,
594
+ "step": 80
595
+ },
596
+ {
597
+ "epoch": 0.3375,
598
+ "grad_norm": 0.66015625,
599
+ "learning_rate": 9.632470336074009e-06,
600
+ "loss": 1.8866,
601
+ "step": 81
602
+ },
603
+ {
604
+ "epoch": 0.3416666666666667,
605
+ "grad_norm": 0.6171875,
606
+ "learning_rate": 9.619397662556434e-06,
607
+ "loss": 1.636,
608
+ "step": 82
609
+ },
610
+ {
611
+ "epoch": 0.3458333333333333,
612
+ "grad_norm": 0.609375,
613
+ "learning_rate": 9.606105731925284e-06,
614
+ "loss": 1.8458,
615
+ "step": 83
616
+ },
617
+ {
618
+ "epoch": 0.35,
619
+ "grad_norm": 0.7109375,
620
+ "learning_rate": 9.592595175074573e-06,
621
+ "loss": 1.7535,
622
+ "step": 84
623
+ },
624
+ {
625
+ "epoch": 0.3541666666666667,
626
+ "grad_norm": 0.63671875,
627
+ "learning_rate": 9.578866633275289e-06,
628
+ "loss": 2.0323,
629
+ "step": 85
630
+ },
631
+ {
632
+ "epoch": 0.35833333333333334,
633
+ "grad_norm": 0.6484375,
634
+ "learning_rate": 9.564920758144951e-06,
635
+ "loss": 1.9079,
636
+ "step": 86
637
+ },
638
+ {
639
+ "epoch": 0.3625,
640
+ "grad_norm": 0.59765625,
641
+ "learning_rate": 9.550758211616684e-06,
642
+ "loss": 1.8647,
643
+ "step": 87
644
+ },
645
+ {
646
+ "epoch": 0.36666666666666664,
647
+ "grad_norm": 0.5703125,
648
+ "learning_rate": 9.536379665907801e-06,
649
+ "loss": 1.9201,
650
+ "step": 88
651
+ },
652
+ {
653
+ "epoch": 0.37083333333333335,
654
+ "grad_norm": 0.609375,
655
+ "learning_rate": 9.521785803487888e-06,
656
+ "loss": 1.815,
657
+ "step": 89
658
+ },
659
+ {
660
+ "epoch": 0.375,
661
+ "grad_norm": 0.5859375,
662
+ "learning_rate": 9.506977317046424e-06,
663
+ "loss": 1.8623,
664
+ "step": 90
665
+ },
666
+ {
667
+ "epoch": 0.375,
668
+ "eval_loss": 2.178661823272705,
669
+ "eval_runtime": 18.5546,
670
+ "eval_samples_per_second": 133.121,
671
+ "eval_steps_per_second": 33.307,
672
+ "step": 90
673
+ },
674
+ {
675
+ "epoch": 0.37916666666666665,
676
+ "grad_norm": 0.65625,
677
+ "learning_rate": 9.491954909459895e-06,
678
+ "loss": 1.8012,
679
+ "step": 91
680
+ },
681
+ {
682
+ "epoch": 0.38333333333333336,
683
+ "grad_norm": 0.66796875,
684
+ "learning_rate": 9.476719293758431e-06,
685
+ "loss": 2.0764,
686
+ "step": 92
687
+ },
688
+ {
689
+ "epoch": 0.3875,
690
+ "grad_norm": 0.640625,
691
+ "learning_rate": 9.461271193091971e-06,
692
+ "loss": 1.8221,
693
+ "step": 93
694
+ },
695
+ {
696
+ "epoch": 0.39166666666666666,
697
+ "grad_norm": 0.578125,
698
+ "learning_rate": 9.445611340695926e-06,
699
+ "loss": 1.799,
700
+ "step": 94
701
+ },
702
+ {
703
+ "epoch": 0.3958333333333333,
704
+ "grad_norm": 0.60546875,
705
+ "learning_rate": 9.42974047985639e-06,
706
+ "loss": 1.8854,
707
+ "step": 95
708
+ },
709
+ {
710
+ "epoch": 0.4,
711
+ "grad_norm": 0.6171875,
712
+ "learning_rate": 9.413659363874855e-06,
713
+ "loss": 1.7773,
714
+ "step": 96
715
+ },
716
+ {
717
+ "epoch": 0.4041666666666667,
718
+ "grad_norm": 0.64453125,
719
+ "learning_rate": 9.397368756032445e-06,
720
+ "loss": 1.9003,
721
+ "step": 97
722
+ },
723
+ {
724
+ "epoch": 0.4083333333333333,
725
+ "grad_norm": 0.58984375,
726
+ "learning_rate": 9.380869429553712e-06,
727
+ "loss": 1.7719,
728
+ "step": 98
729
+ },
730
+ {
731
+ "epoch": 0.4125,
732
+ "grad_norm": 0.5625,
733
+ "learning_rate": 9.364162167569907e-06,
734
+ "loss": 1.8732,
735
+ "step": 99
736
+ },
737
+ {
738
+ "epoch": 0.4166666666666667,
739
+ "grad_norm": 0.640625,
740
+ "learning_rate": 9.347247763081834e-06,
741
+ "loss": 1.8782,
742
+ "step": 100
743
+ },
744
+ {
745
+ "epoch": 0.42083333333333334,
746
+ "grad_norm": 0.59375,
747
+ "learning_rate": 9.330127018922195e-06,
748
+ "loss": 1.8727,
749
+ "step": 101
750
+ },
751
+ {
752
+ "epoch": 0.425,
753
+ "grad_norm": 0.5859375,
754
+ "learning_rate": 9.312800747717484e-06,
755
+ "loss": 1.9571,
756
+ "step": 102
757
+ },
758
+ {
759
+ "epoch": 0.42916666666666664,
760
+ "grad_norm": 0.6015625,
761
+ "learning_rate": 9.295269771849426e-06,
762
+ "loss": 1.7569,
763
+ "step": 103
764
+ },
765
+ {
766
+ "epoch": 0.43333333333333335,
767
+ "grad_norm": 0.55859375,
768
+ "learning_rate": 9.277534923415941e-06,
769
+ "loss": 1.9862,
770
+ "step": 104
771
+ },
772
+ {
773
+ "epoch": 0.4375,
774
+ "grad_norm": 0.60546875,
775
+ "learning_rate": 9.259597044191635e-06,
776
+ "loss": 1.7464,
777
+ "step": 105
778
+ },
779
+ {
780
+ "epoch": 0.44166666666666665,
781
+ "grad_norm": 0.66796875,
782
+ "learning_rate": 9.241456985587868e-06,
783
+ "loss": 1.771,
784
+ "step": 106
785
+ },
786
+ {
787
+ "epoch": 0.44583333333333336,
788
+ "grad_norm": 0.60546875,
789
+ "learning_rate": 9.223115608612325e-06,
790
+ "loss": 1.8531,
791
+ "step": 107
792
+ },
793
+ {
794
+ "epoch": 0.45,
795
+ "grad_norm": 0.59765625,
796
+ "learning_rate": 9.204573783828153e-06,
797
+ "loss": 1.7752,
798
+ "step": 108
799
+ },
800
+ {
801
+ "epoch": 0.45416666666666666,
802
+ "grad_norm": 0.671875,
803
+ "learning_rate": 9.185832391312644e-06,
804
+ "loss": 1.8505,
805
+ "step": 109
806
+ },
807
+ {
808
+ "epoch": 0.4583333333333333,
809
+ "grad_norm": 0.6171875,
810
+ "learning_rate": 9.166892320615459e-06,
811
+ "loss": 1.8294,
812
+ "step": 110
813
+ },
814
+ {
815
+ "epoch": 0.4625,
816
+ "grad_norm": 0.625,
817
+ "learning_rate": 9.147754470716407e-06,
818
+ "loss": 1.8943,
819
+ "step": 111
820
+ },
821
+ {
822
+ "epoch": 0.4666666666666667,
823
+ "grad_norm": 0.57421875,
824
+ "learning_rate": 9.12841974998278e-06,
825
+ "loss": 2.0161,
826
+ "step": 112
827
+ },
828
+ {
829
+ "epoch": 0.4708333333333333,
830
+ "grad_norm": 0.55859375,
831
+ "learning_rate": 9.108889076126226e-06,
832
+ "loss": 1.827,
833
+ "step": 113
834
+ },
835
+ {
836
+ "epoch": 0.475,
837
+ "grad_norm": 0.5625,
838
+ "learning_rate": 9.089163376159205e-06,
839
+ "loss": 1.8712,
840
+ "step": 114
841
+ },
842
+ {
843
+ "epoch": 0.4791666666666667,
844
+ "grad_norm": 0.5859375,
845
+ "learning_rate": 9.069243586350976e-06,
846
+ "loss": 1.8358,
847
+ "step": 115
848
+ },
849
+ {
850
+ "epoch": 0.48333333333333334,
851
+ "grad_norm": 0.6171875,
852
+ "learning_rate": 9.049130652183167e-06,
853
+ "loss": 1.8587,
854
+ "step": 116
855
+ },
856
+ {
857
+ "epoch": 0.4875,
858
+ "grad_norm": 0.60546875,
859
+ "learning_rate": 9.028825528304892e-06,
860
+ "loss": 1.8179,
861
+ "step": 117
862
+ },
863
+ {
864
+ "epoch": 0.49166666666666664,
865
+ "grad_norm": 0.58984375,
866
+ "learning_rate": 9.008329178487442e-06,
867
+ "loss": 1.6971,
868
+ "step": 118
869
+ },
870
+ {
871
+ "epoch": 0.49583333333333335,
872
+ "grad_norm": 0.609375,
873
+ "learning_rate": 8.987642575578546e-06,
874
+ "loss": 1.91,
875
+ "step": 119
876
+ },
877
+ {
878
+ "epoch": 0.5,
879
+ "grad_norm": 0.609375,
880
+ "learning_rate": 8.966766701456177e-06,
881
+ "loss": 1.8528,
882
+ "step": 120
883
+ },
884
+ {
885
+ "epoch": 0.5,
886
+ "eval_loss": 2.1745619773864746,
887
+ "eval_runtime": 18.083,
888
+ "eval_samples_per_second": 136.593,
889
+ "eval_steps_per_second": 34.176,
890
+ "step": 120
891
+ },
892
+ {
893
+ "epoch": 0.5041666666666667,
894
+ "grad_norm": 0.59765625,
895
+ "learning_rate": 8.94570254698197e-06,
896
+ "loss": 1.9986,
897
+ "step": 121
898
+ },
899
+ {
900
+ "epoch": 0.5083333333333333,
901
+ "grad_norm": 0.61328125,
902
+ "learning_rate": 8.924451111954173e-06,
903
+ "loss": 2.055,
904
+ "step": 122
905
+ },
906
+ {
907
+ "epoch": 0.5125,
908
+ "grad_norm": 0.57421875,
909
+ "learning_rate": 8.903013405060212e-06,
910
+ "loss": 1.9035,
911
+ "step": 123
912
+ },
913
+ {
914
+ "epoch": 0.5166666666666667,
915
+ "grad_norm": 0.61328125,
916
+ "learning_rate": 8.881390443828788e-06,
917
+ "loss": 1.9556,
918
+ "step": 124
919
+ },
920
+ {
921
+ "epoch": 0.5208333333333334,
922
+ "grad_norm": 0.58203125,
923
+ "learning_rate": 8.859583254581604e-06,
924
+ "loss": 1.8308,
925
+ "step": 125
926
+ },
927
+ {
928
+ "epoch": 0.525,
929
+ "grad_norm": 0.578125,
930
+ "learning_rate": 8.837592872384643e-06,
931
+ "loss": 1.8267,
932
+ "step": 126
933
+ },
934
+ {
935
+ "epoch": 0.5291666666666667,
936
+ "grad_norm": 0.640625,
937
+ "learning_rate": 8.815420340999034e-06,
938
+ "loss": 1.9509,
939
+ "step": 127
940
+ },
941
+ {
942
+ "epoch": 0.5333333333333333,
943
+ "grad_norm": 0.640625,
944
+ "learning_rate": 8.793066712831515e-06,
945
+ "loss": 2.0599,
946
+ "step": 128
947
+ },
948
+ {
949
+ "epoch": 0.5375,
950
+ "grad_norm": 0.5625,
951
+ "learning_rate": 8.770533048884483e-06,
952
+ "loss": 1.9489,
953
+ "step": 129
954
+ },
955
+ {
956
+ "epoch": 0.5416666666666666,
957
+ "grad_norm": 0.58984375,
958
+ "learning_rate": 8.747820418705632e-06,
959
+ "loss": 1.7887,
960
+ "step": 130
961
+ },
962
+ {
963
+ "epoch": 0.5458333333333333,
964
+ "grad_norm": 0.5625,
965
+ "learning_rate": 8.724929900337186e-06,
966
+ "loss": 1.886,
967
+ "step": 131
968
+ },
969
+ {
970
+ "epoch": 0.55,
971
+ "grad_norm": 0.640625,
972
+ "learning_rate": 8.701862580264735e-06,
973
+ "loss": 1.6192,
974
+ "step": 132
975
+ },
976
+ {
977
+ "epoch": 0.5541666666666667,
978
+ "grad_norm": 0.5703125,
979
+ "learning_rate": 8.67861955336566e-06,
980
+ "loss": 1.848,
981
+ "step": 133
982
+ },
983
+ {
984
+ "epoch": 0.5583333333333333,
985
+ "grad_norm": 0.57421875,
986
+ "learning_rate": 8.655201922857166e-06,
987
+ "loss": 1.8832,
988
+ "step": 134
989
+ },
990
+ {
991
+ "epoch": 0.5625,
992
+ "grad_norm": 0.55859375,
993
+ "learning_rate": 8.631610800243926e-06,
994
+ "loss": 1.7343,
995
+ "step": 135
996
+ },
997
+ {
998
+ "epoch": 0.5666666666666667,
999
+ "grad_norm": 0.5625,
1000
+ "learning_rate": 8.607847305265312e-06,
1001
+ "loss": 1.8137,
1002
+ "step": 136
1003
+ },
1004
+ {
1005
+ "epoch": 0.5708333333333333,
1006
+ "grad_norm": 0.5703125,
1007
+ "learning_rate": 8.583912565842258e-06,
1008
+ "loss": 1.8875,
1009
+ "step": 137
1010
+ },
1011
+ {
1012
+ "epoch": 0.575,
1013
+ "grad_norm": 0.6015625,
1014
+ "learning_rate": 8.559807718023715e-06,
1015
+ "loss": 1.8311,
1016
+ "step": 138
1017
+ },
1018
+ {
1019
+ "epoch": 0.5791666666666667,
1020
+ "grad_norm": 0.54296875,
1021
+ "learning_rate": 8.535533905932739e-06,
1022
+ "loss": 1.7797,
1023
+ "step": 139
1024
+ },
1025
+ {
1026
+ "epoch": 0.5833333333333334,
1027
+ "grad_norm": 0.59375,
1028
+ "learning_rate": 8.511092281712174e-06,
1029
+ "loss": 1.8119,
1030
+ "step": 140
1031
+ },
1032
+ {
1033
+ "epoch": 0.5875,
1034
+ "grad_norm": 0.59375,
1035
+ "learning_rate": 8.486484005469977e-06,
1036
+ "loss": 1.8417,
1037
+ "step": 141
1038
+ },
1039
+ {
1040
+ "epoch": 0.5916666666666667,
1041
+ "grad_norm": 0.58984375,
1042
+ "learning_rate": 8.461710245224149e-06,
1043
+ "loss": 1.7081,
1044
+ "step": 142
1045
+ },
1046
+ {
1047
+ "epoch": 0.5958333333333333,
1048
+ "grad_norm": 0.578125,
1049
+ "learning_rate": 8.436772176847295e-06,
1050
+ "loss": 1.9393,
1051
+ "step": 143
1052
+ },
1053
+ {
1054
+ "epoch": 0.6,
1055
+ "grad_norm": 0.62109375,
1056
+ "learning_rate": 8.41167098401081e-06,
1057
+ "loss": 1.775,
1058
+ "step": 144
1059
+ },
1060
+ {
1061
+ "epoch": 0.6041666666666666,
1062
+ "grad_norm": 0.58984375,
1063
+ "learning_rate": 8.386407858128707e-06,
1064
+ "loss": 1.8468,
1065
+ "step": 145
1066
+ },
1067
+ {
1068
+ "epoch": 0.6083333333333333,
1069
+ "grad_norm": 0.56640625,
1070
+ "learning_rate": 8.360983998301053e-06,
1071
+ "loss": 1.9168,
1072
+ "step": 146
1073
+ },
1074
+ {
1075
+ "epoch": 0.6125,
1076
+ "grad_norm": 0.6640625,
1077
+ "learning_rate": 8.335400611257067e-06,
1078
+ "loss": 1.8175,
1079
+ "step": 147
1080
+ },
1081
+ {
1082
+ "epoch": 0.6166666666666667,
1083
+ "grad_norm": 0.6171875,
1084
+ "learning_rate": 8.309658911297833e-06,
1085
+ "loss": 1.7795,
1086
+ "step": 148
1087
+ },
1088
+ {
1089
+ "epoch": 0.6208333333333333,
1090
+ "grad_norm": 0.57421875,
1091
+ "learning_rate": 8.283760120238672e-06,
1092
+ "loss": 1.9254,
1093
+ "step": 149
1094
+ },
1095
+ {
1096
+ "epoch": 0.625,
1097
+ "grad_norm": 0.62109375,
1098
+ "learning_rate": 8.257705467351144e-06,
1099
+ "loss": 1.8784,
1100
+ "step": 150
1101
+ },
1102
+ {
1103
+ "epoch": 0.625,
1104
+ "eval_loss": 2.170564889907837,
1105
+ "eval_runtime": 18.0804,
1106
+ "eval_samples_per_second": 136.612,
1107
+ "eval_steps_per_second": 34.181,
1108
+ "step": 150
1109
+ },
1110
+ {
1111
+ "epoch": 0.6291666666666667,
1112
+ "grad_norm": 0.5859375,
1113
+ "learning_rate": 8.231496189304704e-06,
1114
+ "loss": 1.9573,
1115
+ "step": 151
1116
+ },
1117
+ {
1118
+ "epoch": 0.6333333333333333,
1119
+ "grad_norm": 0.57421875,
1120
+ "learning_rate": 8.205133530108003e-06,
1121
+ "loss": 1.9005,
1122
+ "step": 152
1123
+ },
1124
+ {
1125
+ "epoch": 0.6375,
1126
+ "grad_norm": 0.578125,
1127
+ "learning_rate": 8.178618741049841e-06,
1128
+ "loss": 1.858,
1129
+ "step": 153
1130
+ },
1131
+ {
1132
+ "epoch": 0.6416666666666667,
1133
+ "grad_norm": 0.54296875,
1134
+ "learning_rate": 8.151953080639777e-06,
1135
+ "loss": 1.8415,
1136
+ "step": 154
1137
+ },
1138
+ {
1139
+ "epoch": 0.6458333333333334,
1140
+ "grad_norm": 0.62109375,
1141
+ "learning_rate": 8.125137814548394e-06,
1142
+ "loss": 1.8377,
1143
+ "step": 155
1144
+ },
1145
+ {
1146
+ "epoch": 0.65,
1147
+ "grad_norm": 0.62890625,
1148
+ "learning_rate": 8.098174215547224e-06,
1149
+ "loss": 1.8115,
1150
+ "step": 156
1151
+ },
1152
+ {
1153
+ "epoch": 0.6541666666666667,
1154
+ "grad_norm": 0.55078125,
1155
+ "learning_rate": 8.071063563448341e-06,
1156
+ "loss": 1.7547,
1157
+ "step": 157
1158
+ },
1159
+ {
1160
+ "epoch": 0.6583333333333333,
1161
+ "grad_norm": 0.6015625,
1162
+ "learning_rate": 8.043807145043604e-06,
1163
+ "loss": 1.7335,
1164
+ "step": 158
1165
+ },
1166
+ {
1167
+ "epoch": 0.6625,
1168
+ "grad_norm": 0.5546875,
1169
+ "learning_rate": 8.016406254043595e-06,
1170
+ "loss": 1.7631,
1171
+ "step": 159
1172
+ },
1173
+ {
1174
+ "epoch": 0.6666666666666666,
1175
+ "grad_norm": 0.56640625,
1176
+ "learning_rate": 7.988862191016204e-06,
1177
+ "loss": 1.8128,
1178
+ "step": 160
1179
+ },
1180
+ {
1181
+ "epoch": 0.6708333333333333,
1182
+ "grad_norm": 0.58984375,
1183
+ "learning_rate": 7.961176263324902e-06,
1184
+ "loss": 1.8938,
1185
+ "step": 161
1186
+ },
1187
+ {
1188
+ "epoch": 0.675,
1189
+ "grad_norm": 0.56640625,
1190
+ "learning_rate": 7.93334978506668e-06,
1191
+ "loss": 1.6676,
1192
+ "step": 162
1193
+ },
1194
+ {
1195
+ "epoch": 0.6791666666666667,
1196
+ "grad_norm": 0.55078125,
1197
+ "learning_rate": 7.905384077009693e-06,
1198
+ "loss": 1.7388,
1199
+ "step": 163
1200
+ },
1201
+ {
1202
+ "epoch": 0.6833333333333333,
1203
+ "grad_norm": 0.625,
1204
+ "learning_rate": 7.877280466530552e-06,
1205
+ "loss": 1.8675,
1206
+ "step": 164
1207
+ },
1208
+ {
1209
+ "epoch": 0.6875,
1210
+ "grad_norm": 0.578125,
1211
+ "learning_rate": 7.849040287551331e-06,
1212
+ "loss": 1.9701,
1213
+ "step": 165
1214
+ },
1215
+ {
1216
+ "epoch": 0.6916666666666667,
1217
+ "grad_norm": 0.62890625,
1218
+ "learning_rate": 7.820664880476257e-06,
1219
+ "loss": 1.9176,
1220
+ "step": 166
1221
+ },
1222
+ {
1223
+ "epoch": 0.6958333333333333,
1224
+ "grad_norm": 0.59765625,
1225
+ "learning_rate": 7.792155592128072e-06,
1226
+ "loss": 1.8905,
1227
+ "step": 167
1228
+ },
1229
+ {
1230
+ "epoch": 0.7,
1231
+ "grad_norm": 0.57421875,
1232
+ "learning_rate": 7.763513775684125e-06,
1233
+ "loss": 1.9383,
1234
+ "step": 168
1235
+ },
1236
+ {
1237
+ "epoch": 0.7041666666666667,
1238
+ "grad_norm": 0.5859375,
1239
+ "learning_rate": 7.734740790612137e-06,
1240
+ "loss": 1.8599,
1241
+ "step": 169
1242
+ },
1243
+ {
1244
+ "epoch": 0.7083333333333334,
1245
+ "grad_norm": 0.58203125,
1246
+ "learning_rate": 7.705838002605665e-06,
1247
+ "loss": 1.7492,
1248
+ "step": 170
1249
+ },
1250
+ {
1251
+ "epoch": 0.7125,
1252
+ "grad_norm": 0.58984375,
1253
+ "learning_rate": 7.676806783519304e-06,
1254
+ "loss": 1.874,
1255
+ "step": 171
1256
+ },
1257
+ {
1258
+ "epoch": 0.7166666666666667,
1259
+ "grad_norm": 0.56640625,
1260
+ "learning_rate": 7.647648511303545e-06,
1261
+ "loss": 1.8562,
1262
+ "step": 172
1263
+ },
1264
+ {
1265
+ "epoch": 0.7208333333333333,
1266
+ "grad_norm": 0.58203125,
1267
+ "learning_rate": 7.61836456993939e-06,
1268
+ "loss": 1.9492,
1269
+ "step": 173
1270
+ },
1271
+ {
1272
+ "epoch": 0.725,
1273
+ "grad_norm": 0.6171875,
1274
+ "learning_rate": 7.588956349372657e-06,
1275
+ "loss": 1.6813,
1276
+ "step": 174
1277
+ },
1278
+ {
1279
+ "epoch": 0.7291666666666666,
1280
+ "grad_norm": 0.57421875,
1281
+ "learning_rate": 7.559425245448006e-06,
1282
+ "loss": 1.7416,
1283
+ "step": 175
1284
+ },
1285
+ {
1286
+ "epoch": 0.7333333333333333,
1287
+ "grad_norm": 0.58203125,
1288
+ "learning_rate": 7.529772659842685e-06,
1289
+ "loss": 1.8194,
1290
+ "step": 176
1291
+ },
1292
+ {
1293
+ "epoch": 0.7375,
1294
+ "grad_norm": 0.58984375,
1295
+ "learning_rate": 7.500000000000001e-06,
1296
+ "loss": 1.8523,
1297
+ "step": 177
1298
+ },
1299
+ {
1300
+ "epoch": 0.7416666666666667,
1301
+ "grad_norm": 0.59375,
1302
+ "learning_rate": 7.470108679062521e-06,
1303
+ "loss": 1.7934,
1304
+ "step": 178
1305
+ },
1306
+ {
1307
+ "epoch": 0.7458333333333333,
1308
+ "grad_norm": 0.59375,
1309
+ "learning_rate": 7.440100115804991e-06,
1310
+ "loss": 2.101,
1311
+ "step": 179
1312
+ },
1313
+ {
1314
+ "epoch": 0.75,
1315
+ "grad_norm": 0.6328125,
1316
+ "learning_rate": 7.409975734566998e-06,
1317
+ "loss": 1.9961,
1318
+ "step": 180
1319
+ },
1320
+ {
1321
+ "epoch": 0.75,
1322
+ "eval_loss": 2.168635845184326,
1323
+ "eval_runtime": 18.1066,
1324
+ "eval_samples_per_second": 136.414,
1325
+ "eval_steps_per_second": 34.131,
1326
+ "step": 180
1327
+ },
1328
+ {
1329
+ "epoch": 0.7541666666666667,
1330
+ "grad_norm": 0.55859375,
1331
+ "learning_rate": 7.379736965185369e-06,
1332
+ "loss": 1.7288,
1333
+ "step": 181
1334
+ },
1335
+ {
1336
+ "epoch": 0.7583333333333333,
1337
+ "grad_norm": 0.6328125,
1338
+ "learning_rate": 7.349385242926291e-06,
1339
+ "loss": 1.8504,
1340
+ "step": 182
1341
+ },
1342
+ {
1343
+ "epoch": 0.7625,
1344
+ "grad_norm": 0.6328125,
1345
+ "learning_rate": 7.318922008417203e-06,
1346
+ "loss": 1.9159,
1347
+ "step": 183
1348
+ },
1349
+ {
1350
+ "epoch": 0.7666666666666667,
1351
+ "grad_norm": 0.5625,
1352
+ "learning_rate": 7.288348707578409e-06,
1353
+ "loss": 1.787,
1354
+ "step": 184
1355
+ },
1356
+ {
1357
+ "epoch": 0.7708333333333334,
1358
+ "grad_norm": 0.5546875,
1359
+ "learning_rate": 7.257666791554448e-06,
1360
+ "loss": 1.8314,
1361
+ "step": 185
1362
+ },
1363
+ {
1364
+ "epoch": 0.775,
1365
+ "grad_norm": 0.61328125,
1366
+ "learning_rate": 7.2268777166452175e-06,
1367
+ "loss": 1.915,
1368
+ "step": 186
1369
+ },
1370
+ {
1371
+ "epoch": 0.7791666666666667,
1372
+ "grad_norm": 0.5625,
1373
+ "learning_rate": 7.195982944236853e-06,
1374
+ "loss": 1.9086,
1375
+ "step": 187
1376
+ },
1377
+ {
1378
+ "epoch": 0.7833333333333333,
1379
+ "grad_norm": 0.64453125,
1380
+ "learning_rate": 7.1649839407323606e-06,
1381
+ "loss": 1.7966,
1382
+ "step": 188
1383
+ },
1384
+ {
1385
+ "epoch": 0.7875,
1386
+ "grad_norm": 0.58203125,
1387
+ "learning_rate": 7.133882177482019e-06,
1388
+ "loss": 1.7277,
1389
+ "step": 189
1390
+ },
1391
+ {
1392
+ "epoch": 0.7916666666666666,
1393
+ "grad_norm": 0.5390625,
1394
+ "learning_rate": 7.102679130713538e-06,
1395
+ "loss": 1.6565,
1396
+ "step": 190
1397
+ },
1398
+ {
1399
+ "epoch": 0.7958333333333333,
1400
+ "grad_norm": 0.59375,
1401
+ "learning_rate": 7.071376281461994e-06,
1402
+ "loss": 1.8509,
1403
+ "step": 191
1404
+ },
1405
+ {
1406
+ "epoch": 0.8,
1407
+ "grad_norm": 0.57421875,
1408
+ "learning_rate": 7.039975115499534e-06,
1409
+ "loss": 1.9617,
1410
+ "step": 192
1411
+ },
1412
+ {
1413
+ "epoch": 0.8041666666666667,
1414
+ "grad_norm": 0.59765625,
1415
+ "learning_rate": 7.008477123264849e-06,
1416
+ "loss": 1.8768,
1417
+ "step": 193
1418
+ },
1419
+ {
1420
+ "epoch": 0.8083333333333333,
1421
+ "grad_norm": 0.62890625,
1422
+ "learning_rate": 6.976883799792434e-06,
1423
+ "loss": 1.8889,
1424
+ "step": 194
1425
+ },
1426
+ {
1427
+ "epoch": 0.8125,
1428
+ "grad_norm": 0.59765625,
1429
+ "learning_rate": 6.945196644641631e-06,
1430
+ "loss": 1.8929,
1431
+ "step": 195
1432
+ },
1433
+ {
1434
+ "epoch": 0.8166666666666667,
1435
+ "grad_norm": 0.578125,
1436
+ "learning_rate": 6.913417161825449e-06,
1437
+ "loss": 1.8091,
1438
+ "step": 196
1439
+ },
1440
+ {
1441
+ "epoch": 0.8208333333333333,
1442
+ "grad_norm": 0.59375,
1443
+ "learning_rate": 6.8815468597391785e-06,
1444
+ "loss": 1.9076,
1445
+ "step": 197
1446
+ },
1447
+ {
1448
+ "epoch": 0.825,
1449
+ "grad_norm": 0.62890625,
1450
+ "learning_rate": 6.84958725108879e-06,
1451
+ "loss": 1.9901,
1452
+ "step": 198
1453
+ },
1454
+ {
1455
+ "epoch": 0.8291666666666667,
1456
+ "grad_norm": 0.63671875,
1457
+ "learning_rate": 6.817539852819149e-06,
1458
+ "loss": 1.8836,
1459
+ "step": 199
1460
+ },
1461
+ {
1462
+ "epoch": 0.8333333333333334,
1463
+ "grad_norm": 0.55859375,
1464
+ "learning_rate": 6.785406186042e-06,
1465
+ "loss": 1.9231,
1466
+ "step": 200
1467
+ },
1468
+ {
1469
+ "epoch": 0.8375,
1470
+ "grad_norm": 0.609375,
1471
+ "learning_rate": 6.753187775963773e-06,
1472
+ "loss": 1.7803,
1473
+ "step": 201
1474
+ },
1475
+ {
1476
+ "epoch": 0.8416666666666667,
1477
+ "grad_norm": 0.55078125,
1478
+ "learning_rate": 6.720886151813194e-06,
1479
+ "loss": 1.8339,
1480
+ "step": 202
1481
+ },
1482
+ {
1483
+ "epoch": 0.8458333333333333,
1484
+ "grad_norm": 0.62890625,
1485
+ "learning_rate": 6.688502846768697e-06,
1486
+ "loss": 1.9179,
1487
+ "step": 203
1488
+ },
1489
+ {
1490
+ "epoch": 0.85,
1491
+ "grad_norm": 0.5625,
1492
+ "learning_rate": 6.656039397885653e-06,
1493
+ "loss": 1.8147,
1494
+ "step": 204
1495
+ },
1496
+ {
1497
+ "epoch": 0.8541666666666666,
1498
+ "grad_norm": 0.61328125,
1499
+ "learning_rate": 6.6234973460234184e-06,
1500
+ "loss": 1.7996,
1501
+ "step": 205
1502
+ },
1503
+ {
1504
+ "epoch": 0.8583333333333333,
1505
+ "grad_norm": 0.71484375,
1506
+ "learning_rate": 6.5908782357721914e-06,
1507
+ "loss": 1.9165,
1508
+ "step": 206
1509
+ },
1510
+ {
1511
+ "epoch": 0.8625,
1512
+ "grad_norm": 0.5703125,
1513
+ "learning_rate": 6.558183615379708e-06,
1514
+ "loss": 1.8397,
1515
+ "step": 207
1516
+ },
1517
+ {
1518
+ "epoch": 0.8666666666666667,
1519
+ "grad_norm": 0.56640625,
1520
+ "learning_rate": 6.525415036677745e-06,
1521
+ "loss": 1.8636,
1522
+ "step": 208
1523
+ },
1524
+ {
1525
+ "epoch": 0.8708333333333333,
1526
+ "grad_norm": 0.63671875,
1527
+ "learning_rate": 6.492574055008474e-06,
1528
+ "loss": 2.0345,
1529
+ "step": 209
1530
+ },
1531
+ {
1532
+ "epoch": 0.875,
1533
+ "grad_norm": 0.6171875,
1534
+ "learning_rate": 6.45966222915063e-06,
1535
+ "loss": 1.8748,
1536
+ "step": 210
1537
+ },
1538
+ {
1539
+ "epoch": 0.875,
1540
+ "eval_loss": 2.167238712310791,
1541
+ "eval_runtime": 18.0652,
1542
+ "eval_samples_per_second": 136.727,
1543
+ "eval_steps_per_second": 34.209,
1544
+ "step": 210
1545
+ },
1546
+ {
1547
+ "epoch": 0.8791666666666667,
1548
+ "grad_norm": 0.57421875,
1549
+ "learning_rate": 6.426681121245527e-06,
1550
+ "loss": 1.774,
1551
+ "step": 211
1552
+ },
1553
+ {
1554
+ "epoch": 0.8833333333333333,
1555
+ "grad_norm": 0.578125,
1556
+ "learning_rate": 6.393632296722916e-06,
1557
+ "loss": 1.8357,
1558
+ "step": 212
1559
+ },
1560
+ {
1561
+ "epoch": 0.8875,
1562
+ "grad_norm": 0.55078125,
1563
+ "learning_rate": 6.360517324226676e-06,
1564
+ "loss": 1.6954,
1565
+ "step": 213
1566
+ },
1567
+ {
1568
+ "epoch": 0.8916666666666667,
1569
+ "grad_norm": 0.5859375,
1570
+ "learning_rate": 6.327337775540362e-06,
1571
+ "loss": 1.8854,
1572
+ "step": 214
1573
+ },
1574
+ {
1575
+ "epoch": 0.8958333333333334,
1576
+ "grad_norm": 0.59765625,
1577
+ "learning_rate": 6.294095225512604e-06,
1578
+ "loss": 1.9444,
1579
+ "step": 215
1580
+ },
1581
+ {
1582
+ "epoch": 0.9,
1583
+ "grad_norm": 0.6328125,
1584
+ "learning_rate": 6.260791251982354e-06,
1585
+ "loss": 1.9477,
1586
+ "step": 216
1587
+ },
1588
+ {
1589
+ "epoch": 0.9041666666666667,
1590
+ "grad_norm": 0.578125,
1591
+ "learning_rate": 6.227427435703997e-06,
1592
+ "loss": 1.8354,
1593
+ "step": 217
1594
+ },
1595
+ {
1596
+ "epoch": 0.9083333333333333,
1597
+ "grad_norm": 0.57421875,
1598
+ "learning_rate": 6.194005360272317e-06,
1599
+ "loss": 1.9716,
1600
+ "step": 218
1601
+ },
1602
+ {
1603
+ "epoch": 0.9125,
1604
+ "grad_norm": 0.59375,
1605
+ "learning_rate": 6.160526612047339e-06,
1606
+ "loss": 1.9245,
1607
+ "step": 219
1608
+ },
1609
+ {
1610
+ "epoch": 0.9166666666666666,
1611
+ "grad_norm": 0.5625,
1612
+ "learning_rate": 6.126992780079032e-06,
1613
+ "loss": 1.814,
1614
+ "step": 220
1615
+ },
1616
+ {
1617
+ "epoch": 0.9208333333333333,
1618
+ "grad_norm": 0.578125,
1619
+ "learning_rate": 6.09340545603188e-06,
1620
+ "loss": 1.8559,
1621
+ "step": 221
1622
+ },
1623
+ {
1624
+ "epoch": 0.925,
1625
+ "grad_norm": 0.5859375,
1626
+ "learning_rate": 6.0597662341093385e-06,
1627
+ "loss": 1.7238,
1628
+ "step": 222
1629
+ },
1630
+ {
1631
+ "epoch": 0.9291666666666667,
1632
+ "grad_norm": 0.609375,
1633
+ "learning_rate": 6.026076710978172e-06,
1634
+ "loss": 1.9524,
1635
+ "step": 223
1636
+ },
1637
+ {
1638
+ "epoch": 0.9333333333333333,
1639
+ "grad_norm": 0.578125,
1640
+ "learning_rate": 5.992338485692657e-06,
1641
+ "loss": 1.8717,
1642
+ "step": 224
1643
+ },
1644
+ {
1645
+ "epoch": 0.9375,
1646
+ "grad_norm": 0.5546875,
1647
+ "learning_rate": 5.958553159618693e-06,
1648
+ "loss": 1.7134,
1649
+ "step": 225
1650
+ },
1651
+ {
1652
+ "epoch": 0.9416666666666667,
1653
+ "grad_norm": 0.5625,
1654
+ "learning_rate": 5.924722336357793e-06,
1655
+ "loss": 1.8745,
1656
+ "step": 226
1657
+ },
1658
+ {
1659
+ "epoch": 0.9458333333333333,
1660
+ "grad_norm": 0.5859375,
1661
+ "learning_rate": 5.890847621670966e-06,
1662
+ "loss": 1.8144,
1663
+ "step": 227
1664
+ },
1665
+ {
1666
+ "epoch": 0.95,
1667
+ "grad_norm": 0.61328125,
1668
+ "learning_rate": 5.856930623402506e-06,
1669
+ "loss": 1.9048,
1670
+ "step": 228
1671
+ },
1672
+ {
1673
+ "epoch": 0.9541666666666667,
1674
+ "grad_norm": 0.61328125,
1675
+ "learning_rate": 5.82297295140367e-06,
1676
+ "loss": 1.8585,
1677
+ "step": 229
1678
+ },
1679
+ {
1680
+ "epoch": 0.9583333333333334,
1681
+ "grad_norm": 0.5859375,
1682
+ "learning_rate": 5.788976217456275e-06,
1683
+ "loss": 1.9537,
1684
+ "step": 230
1685
+ },
1686
+ {
1687
+ "epoch": 0.9625,
1688
+ "grad_norm": 0.5703125,
1689
+ "learning_rate": 5.7549420351961845e-06,
1690
+ "loss": 1.8574,
1691
+ "step": 231
1692
+ },
1693
+ {
1694
+ "epoch": 0.9666666666666667,
1695
+ "grad_norm": 0.55078125,
1696
+ "learning_rate": 5.720872020036734e-06,
1697
+ "loss": 1.871,
1698
+ "step": 232
1699
+ },
1700
+ {
1701
+ "epoch": 0.9708333333333333,
1702
+ "grad_norm": 0.53125,
1703
+ "learning_rate": 5.686767789092041e-06,
1704
+ "loss": 1.77,
1705
+ "step": 233
1706
+ },
1707
+ {
1708
+ "epoch": 0.975,
1709
+ "grad_norm": 0.58984375,
1710
+ "learning_rate": 5.65263096110026e-06,
1711
+ "loss": 1.8735,
1712
+ "step": 234
1713
+ },
1714
+ {
1715
+ "epoch": 0.9791666666666666,
1716
+ "grad_norm": 0.609375,
1717
+ "learning_rate": 5.61846315634674e-06,
1718
+ "loss": 1.7025,
1719
+ "step": 235
1720
+ },
1721
+ {
1722
+ "epoch": 0.9833333333333333,
1723
+ "grad_norm": 0.57421875,
1724
+ "learning_rate": 5.584265996587129e-06,
1725
+ "loss": 1.7811,
1726
+ "step": 236
1727
+ },
1728
+ {
1729
+ "epoch": 0.9875,
1730
+ "grad_norm": 0.58203125,
1731
+ "learning_rate": 5.550041104970398e-06,
1732
+ "loss": 1.9347,
1733
+ "step": 237
1734
+ },
1735
+ {
1736
+ "epoch": 0.9916666666666667,
1737
+ "grad_norm": 0.5625,
1738
+ "learning_rate": 5.515790105961785e-06,
1739
+ "loss": 1.7745,
1740
+ "step": 238
1741
+ },
1742
+ {
1743
+ "epoch": 0.9958333333333333,
1744
+ "grad_norm": 0.60546875,
1745
+ "learning_rate": 5.481514625265709e-06,
1746
+ "loss": 1.9443,
1747
+ "step": 239
1748
+ },
1749
+ {
1750
+ "epoch": 1.0,
1751
+ "grad_norm": 0.58203125,
1752
+ "learning_rate": 5.447216289748596e-06,
1753
+ "loss": 2.0385,
1754
+ "step": 240
1755
+ },
1756
+ {
1757
+ "epoch": 1.0,
1758
+ "eval_loss": 2.1657376289367676,
1759
+ "eval_runtime": 18.1098,
1760
+ "eval_samples_per_second": 136.391,
1761
+ "eval_steps_per_second": 34.125,
1762
+ "step": 240
1763
+ },
1764
+ {
1765
+ "epoch": 1.0041666666666667,
1766
+ "grad_norm": 0.62109375,
1767
+ "learning_rate": 5.412896727361663e-06,
1768
+ "loss": 1.9712,
1769
+ "step": 241
1770
+ },
1771
+ {
1772
+ "epoch": 1.0083333333333333,
1773
+ "grad_norm": 0.6171875,
1774
+ "learning_rate": 5.378557567063646e-06,
1775
+ "loss": 1.7675,
1776
+ "step": 242
1777
+ },
1778
+ {
1779
+ "epoch": 1.0125,
1780
+ "grad_norm": 0.59375,
1781
+ "learning_rate": 5.344200438743489e-06,
1782
+ "loss": 1.9863,
1783
+ "step": 243
1784
+ },
1785
+ {
1786
+ "epoch": 1.0166666666666666,
1787
+ "grad_norm": 0.6015625,
1788
+ "learning_rate": 5.309826973142974e-06,
1789
+ "loss": 1.8513,
1790
+ "step": 244
1791
+ },
1792
+ {
1793
+ "epoch": 1.0208333333333333,
1794
+ "grad_norm": 0.5859375,
1795
+ "learning_rate": 5.275438801779328e-06,
1796
+ "loss": 1.9539,
1797
+ "step": 245
1798
+ },
1799
+ {
1800
+ "epoch": 1.025,
1801
+ "grad_norm": 0.55859375,
1802
+ "learning_rate": 5.241037556867775e-06,
1803
+ "loss": 1.8889,
1804
+ "step": 246
1805
+ },
1806
+ {
1807
+ "epoch": 1.0291666666666666,
1808
+ "grad_norm": 0.625,
1809
+ "learning_rate": 5.206624871244066e-06,
1810
+ "loss": 1.8184,
1811
+ "step": 247
1812
+ },
1813
+ {
1814
+ "epoch": 1.0333333333333334,
1815
+ "grad_norm": 0.5625,
1816
+ "learning_rate": 5.172202378286986e-06,
1817
+ "loss": 1.904,
1818
+ "step": 248
1819
+ },
1820
+ {
1821
+ "epoch": 1.0375,
1822
+ "grad_norm": 0.53515625,
1823
+ "learning_rate": 5.137771711840811e-06,
1824
+ "loss": 1.7663,
1825
+ "step": 249
1826
+ },
1827
+ {
1828
+ "epoch": 1.0416666666666667,
1829
+ "grad_norm": 0.58984375,
1830
+ "learning_rate": 5.103334506137773e-06,
1831
+ "loss": 1.8074,
1832
+ "step": 250
1833
+ },
1834
+ {
1835
+ "epoch": 1.0458333333333334,
1836
+ "grad_norm": 0.5546875,
1837
+ "learning_rate": 5.068892395720482e-06,
1838
+ "loss": 1.794,
1839
+ "step": 251
1840
+ },
1841
+ {
1842
+ "epoch": 1.05,
1843
+ "grad_norm": 0.578125,
1844
+ "learning_rate": 5.0344470153643525e-06,
1845
+ "loss": 1.7377,
1846
+ "step": 252
1847
+ },
1848
+ {
1849
+ "epoch": 1.0541666666666667,
1850
+ "grad_norm": 0.5859375,
1851
+ "learning_rate": 5e-06,
1852
+ "loss": 1.9,
1853
+ "step": 253
1854
+ },
1855
+ {
1856
+ "epoch": 1.0583333333333333,
1857
+ "grad_norm": 0.60546875,
1858
+ "learning_rate": 4.965552984635649e-06,
1859
+ "loss": 1.8172,
1860
+ "step": 254
1861
+ },
1862
+ {
1863
+ "epoch": 1.0625,
1864
+ "grad_norm": 0.6015625,
1865
+ "learning_rate": 4.9311076042795185e-06,
1866
+ "loss": 2.0686,
1867
+ "step": 255
1868
+ },
1869
+ {
1870
+ "epoch": 1.0666666666666667,
1871
+ "grad_norm": 0.546875,
1872
+ "learning_rate": 4.89666549386223e-06,
1873
+ "loss": 1.6615,
1874
+ "step": 256
1875
+ },
1876
+ {
1877
+ "epoch": 1.0708333333333333,
1878
+ "grad_norm": 0.56640625,
1879
+ "learning_rate": 4.862228288159191e-06,
1880
+ "loss": 1.8065,
1881
+ "step": 257
1882
+ },
1883
+ {
1884
+ "epoch": 1.075,
1885
+ "grad_norm": 0.6015625,
1886
+ "learning_rate": 4.827797621713017e-06,
1887
+ "loss": 1.9736,
1888
+ "step": 258
1889
+ },
1890
+ {
1891
+ "epoch": 1.0791666666666666,
1892
+ "grad_norm": 0.6328125,
1893
+ "learning_rate": 4.793375128755934e-06,
1894
+ "loss": 1.9502,
1895
+ "step": 259
1896
+ },
1897
+ {
1898
+ "epoch": 1.0833333333333333,
1899
+ "grad_norm": 0.62109375,
1900
+ "learning_rate": 4.758962443132227e-06,
1901
+ "loss": 1.7474,
1902
+ "step": 260
1903
+ },
1904
+ {
1905
+ "epoch": 1.0875,
1906
+ "grad_norm": 0.62109375,
1907
+ "learning_rate": 4.724561198220672e-06,
1908
+ "loss": 1.7294,
1909
+ "step": 261
1910
+ },
1911
+ {
1912
+ "epoch": 1.0916666666666666,
1913
+ "grad_norm": 0.5625,
1914
+ "learning_rate": 4.690173026857028e-06,
1915
+ "loss": 1.8679,
1916
+ "step": 262
1917
+ },
1918
+ {
1919
+ "epoch": 1.0958333333333334,
1920
+ "grad_norm": 0.671875,
1921
+ "learning_rate": 4.6557995612565146e-06,
1922
+ "loss": 1.785,
1923
+ "step": 263
1924
+ },
1925
+ {
1926
+ "epoch": 1.1,
1927
+ "grad_norm": 0.58984375,
1928
+ "learning_rate": 4.621442432936355e-06,
1929
+ "loss": 1.9543,
1930
+ "step": 264
1931
+ },
1932
+ {
1933
+ "epoch": 1.1041666666666667,
1934
+ "grad_norm": 0.54296875,
1935
+ "learning_rate": 4.587103272638339e-06,
1936
+ "loss": 1.6861,
1937
+ "step": 265
1938
+ },
1939
+ {
1940
+ "epoch": 1.1083333333333334,
1941
+ "grad_norm": 0.5625,
1942
+ "learning_rate": 4.552783710251404e-06,
1943
+ "loss": 1.7687,
1944
+ "step": 266
1945
+ },
1946
+ {
1947
+ "epoch": 1.1125,
1948
+ "grad_norm": 0.57421875,
1949
+ "learning_rate": 4.5184853747342926e-06,
1950
+ "loss": 2.0234,
1951
+ "step": 267
1952
+ },
1953
+ {
1954
+ "epoch": 1.1166666666666667,
1955
+ "grad_norm": 0.578125,
1956
+ "learning_rate": 4.4842098940382155e-06,
1957
+ "loss": 1.7764,
1958
+ "step": 268
1959
+ },
1960
+ {
1961
+ "epoch": 1.1208333333333333,
1962
+ "grad_norm": 0.58203125,
1963
+ "learning_rate": 4.449958895029604e-06,
1964
+ "loss": 1.8805,
1965
+ "step": 269
1966
+ },
1967
+ {
1968
+ "epoch": 1.125,
1969
+ "grad_norm": 0.5859375,
1970
+ "learning_rate": 4.415734003412873e-06,
1971
+ "loss": 1.9327,
1972
+ "step": 270
1973
+ },
1974
+ {
1975
+ "epoch": 1.125,
1976
+ "eval_loss": 2.164560079574585,
1977
+ "eval_runtime": 18.6596,
1978
+ "eval_samples_per_second": 132.371,
1979
+ "eval_steps_per_second": 33.12,
1980
+ "step": 270
1981
+ },
1982
+ {
1983
+ "epoch": 1.1291666666666667,
1984
+ "grad_norm": 0.5703125,
1985
+ "learning_rate": 4.381536843653262e-06,
1986
+ "loss": 1.7554,
1987
+ "step": 271
1988
+ },
1989
+ {
1990
+ "epoch": 1.1333333333333333,
1991
+ "grad_norm": 0.640625,
1992
+ "learning_rate": 4.347369038899744e-06,
1993
+ "loss": 1.7947,
1994
+ "step": 272
1995
+ },
1996
+ {
1997
+ "epoch": 1.1375,
1998
+ "grad_norm": 0.58203125,
1999
+ "learning_rate": 4.313232210907959e-06,
2000
+ "loss": 1.8943,
2001
+ "step": 273
2002
+ },
2003
+ {
2004
+ "epoch": 1.1416666666666666,
2005
+ "grad_norm": 0.58984375,
2006
+ "learning_rate": 4.279127979963266e-06,
2007
+ "loss": 1.883,
2008
+ "step": 274
2009
+ },
2010
+ {
2011
+ "epoch": 1.1458333333333333,
2012
+ "grad_norm": 0.57421875,
2013
+ "learning_rate": 4.245057964803815e-06,
2014
+ "loss": 1.8058,
2015
+ "step": 275
2016
+ },
2017
+ {
2018
+ "epoch": 1.15,
2019
+ "grad_norm": 0.5703125,
2020
+ "learning_rate": 4.2110237825437275e-06,
2021
+ "loss": 1.7255,
2022
+ "step": 276
2023
+ },
2024
+ {
2025
+ "epoch": 1.1541666666666668,
2026
+ "grad_norm": 0.6953125,
2027
+ "learning_rate": 4.17702704859633e-06,
2028
+ "loss": 1.9189,
2029
+ "step": 277
2030
+ },
2031
+ {
2032
+ "epoch": 1.1583333333333332,
2033
+ "grad_norm": 0.5859375,
2034
+ "learning_rate": 4.143069376597496e-06,
2035
+ "loss": 1.7928,
2036
+ "step": 278
2037
+ },
2038
+ {
2039
+ "epoch": 1.1625,
2040
+ "grad_norm": 0.6015625,
2041
+ "learning_rate": 4.109152378329036e-06,
2042
+ "loss": 1.8013,
2043
+ "step": 279
2044
+ },
2045
+ {
2046
+ "epoch": 1.1666666666666667,
2047
+ "grad_norm": 0.59375,
2048
+ "learning_rate": 4.075277663642208e-06,
2049
+ "loss": 1.6585,
2050
+ "step": 280
2051
+ },
2052
+ {
2053
+ "epoch": 1.1708333333333334,
2054
+ "grad_norm": 0.625,
2055
+ "learning_rate": 4.041446840381309e-06,
2056
+ "loss": 1.7681,
2057
+ "step": 281
2058
+ },
2059
+ {
2060
+ "epoch": 1.175,
2061
+ "grad_norm": 0.62109375,
2062
+ "learning_rate": 4.007661514307344e-06,
2063
+ "loss": 1.8034,
2064
+ "step": 282
2065
+ },
2066
+ {
2067
+ "epoch": 1.1791666666666667,
2068
+ "grad_norm": 0.578125,
2069
+ "learning_rate": 3.973923289021829e-06,
2070
+ "loss": 1.6936,
2071
+ "step": 283
2072
+ },
2073
+ {
2074
+ "epoch": 1.1833333333333333,
2075
+ "grad_norm": 0.5859375,
2076
+ "learning_rate": 3.9402337658906615e-06,
2077
+ "loss": 1.8129,
2078
+ "step": 284
2079
+ },
2080
+ {
2081
+ "epoch": 1.1875,
2082
+ "grad_norm": 0.58203125,
2083
+ "learning_rate": 3.906594543968122e-06,
2084
+ "loss": 1.8816,
2085
+ "step": 285
2086
+ },
2087
+ {
2088
+ "epoch": 1.1916666666666667,
2089
+ "grad_norm": 0.5859375,
2090
+ "learning_rate": 3.8730072199209705e-06,
2091
+ "loss": 1.8431,
2092
+ "step": 286
2093
+ },
2094
+ {
2095
+ "epoch": 1.1958333333333333,
2096
+ "grad_norm": 0.5859375,
2097
+ "learning_rate": 3.839473387952662e-06,
2098
+ "loss": 1.7668,
2099
+ "step": 287
2100
+ },
2101
+ {
2102
+ "epoch": 1.2,
2103
+ "grad_norm": 0.57421875,
2104
+ "learning_rate": 3.8059946397276854e-06,
2105
+ "loss": 1.8834,
2106
+ "step": 288
2107
+ },
2108
+ {
2109
+ "epoch": 1.2041666666666666,
2110
+ "grad_norm": 0.55078125,
2111
+ "learning_rate": 3.7725725642960047e-06,
2112
+ "loss": 1.7894,
2113
+ "step": 289
2114
+ },
2115
+ {
2116
+ "epoch": 1.2083333333333333,
2117
+ "grad_norm": 0.5703125,
2118
+ "learning_rate": 3.739208748017647e-06,
2119
+ "loss": 1.7415,
2120
+ "step": 290
2121
+ },
2122
+ {
2123
+ "epoch": 1.2125,
2124
+ "grad_norm": 0.578125,
2125
+ "learning_rate": 3.705904774487396e-06,
2126
+ "loss": 1.8548,
2127
+ "step": 291
2128
+ },
2129
+ {
2130
+ "epoch": 1.2166666666666668,
2131
+ "grad_norm": 0.58203125,
2132
+ "learning_rate": 3.67266222445964e-06,
2133
+ "loss": 1.7485,
2134
+ "step": 292
2135
+ },
2136
+ {
2137
+ "epoch": 1.2208333333333332,
2138
+ "grad_norm": 0.58203125,
2139
+ "learning_rate": 3.639482675773324e-06,
2140
+ "loss": 1.9114,
2141
+ "step": 293
2142
+ },
2143
+ {
2144
+ "epoch": 1.225,
2145
+ "grad_norm": 0.58984375,
2146
+ "learning_rate": 3.606367703277085e-06,
2147
+ "loss": 1.9863,
2148
+ "step": 294
2149
+ },
2150
+ {
2151
+ "epoch": 1.2291666666666667,
2152
+ "grad_norm": 0.58203125,
2153
+ "learning_rate": 3.573318878754475e-06,
2154
+ "loss": 1.7639,
2155
+ "step": 295
2156
+ },
2157
+ {
2158
+ "epoch": 1.2333333333333334,
2159
+ "grad_norm": 0.5625,
2160
+ "learning_rate": 3.5403377708493714e-06,
2161
+ "loss": 1.8462,
2162
+ "step": 296
2163
+ },
2164
+ {
2165
+ "epoch": 1.2375,
2166
+ "grad_norm": 0.62109375,
2167
+ "learning_rate": 3.507425944991529e-06,
2168
+ "loss": 1.8267,
2169
+ "step": 297
2170
+ },
2171
+ {
2172
+ "epoch": 1.2416666666666667,
2173
+ "grad_norm": 0.58984375,
2174
+ "learning_rate": 3.4745849633222566e-06,
2175
+ "loss": 1.7817,
2176
+ "step": 298
2177
+ },
2178
+ {
2179
+ "epoch": 1.2458333333333333,
2180
+ "grad_norm": 0.5703125,
2181
+ "learning_rate": 3.4418163846202945e-06,
2182
+ "loss": 1.7313,
2183
+ "step": 299
2184
+ },
2185
+ {
2186
+ "epoch": 1.25,
2187
+ "grad_norm": 0.6015625,
2188
+ "learning_rate": 3.409121764227809e-06,
2189
+ "loss": 1.8509,
2190
+ "step": 300
2191
+ },
2192
+ {
2193
+ "epoch": 1.25,
2194
+ "eval_loss": 2.1645467281341553,
2195
+ "eval_runtime": 18.1241,
2196
+ "eval_samples_per_second": 136.282,
2197
+ "eval_steps_per_second": 34.098,
2198
+ "step": 300
2199
+ },
2200
+ {
2201
+ "epoch": 1.2541666666666667,
2202
+ "grad_norm": 0.5546875,
2203
+ "learning_rate": 3.3765026539765832e-06,
2204
+ "loss": 1.7989,
2205
+ "step": 301
2206
+ },
2207
+ {
2208
+ "epoch": 1.2583333333333333,
2209
+ "grad_norm": 0.6484375,
2210
+ "learning_rate": 3.343960602114349e-06,
2211
+ "loss": 1.8561,
2212
+ "step": 302
2213
+ },
2214
+ {
2215
+ "epoch": 1.2625,
2216
+ "grad_norm": 0.54296875,
2217
+ "learning_rate": 3.3114971532313058e-06,
2218
+ "loss": 1.7549,
2219
+ "step": 303
2220
+ },
2221
+ {
2222
+ "epoch": 1.2666666666666666,
2223
+ "grad_norm": 0.61328125,
2224
+ "learning_rate": 3.2791138481868084e-06,
2225
+ "loss": 1.6677,
2226
+ "step": 304
2227
+ },
2228
+ {
2229
+ "epoch": 1.2708333333333333,
2230
+ "grad_norm": 0.5859375,
2231
+ "learning_rate": 3.2468122240362287e-06,
2232
+ "loss": 1.8485,
2233
+ "step": 305
2234
+ },
2235
+ {
2236
+ "epoch": 1.275,
2237
+ "grad_norm": 0.65625,
2238
+ "learning_rate": 3.2145938139580015e-06,
2239
+ "loss": 1.8814,
2240
+ "step": 306
2241
+ },
2242
+ {
2243
+ "epoch": 1.2791666666666668,
2244
+ "grad_norm": 0.6015625,
2245
+ "learning_rate": 3.1824601471808504e-06,
2246
+ "loss": 1.8293,
2247
+ "step": 307
2248
+ },
2249
+ {
2250
+ "epoch": 1.2833333333333332,
2251
+ "grad_norm": 0.59765625,
2252
+ "learning_rate": 3.1504127489112105e-06,
2253
+ "loss": 1.8222,
2254
+ "step": 308
2255
+ },
2256
+ {
2257
+ "epoch": 1.2875,
2258
+ "grad_norm": 0.609375,
2259
+ "learning_rate": 3.118453140260823e-06,
2260
+ "loss": 1.7468,
2261
+ "step": 309
2262
+ },
2263
+ {
2264
+ "epoch": 1.2916666666666667,
2265
+ "grad_norm": 0.58984375,
2266
+ "learning_rate": 3.0865828381745515e-06,
2267
+ "loss": 1.9122,
2268
+ "step": 310
2269
+ },
2270
+ {
2271
+ "epoch": 1.2958333333333334,
2272
+ "grad_norm": 0.546875,
2273
+ "learning_rate": 3.0548033553583707e-06,
2274
+ "loss": 1.8286,
2275
+ "step": 311
2276
+ },
2277
+ {
2278
+ "epoch": 1.3,
2279
+ "grad_norm": 0.57421875,
2280
+ "learning_rate": 3.0231162002075678e-06,
2281
+ "loss": 1.9661,
2282
+ "step": 312
2283
+ },
2284
+ {
2285
+ "epoch": 1.3041666666666667,
2286
+ "grad_norm": 0.58203125,
2287
+ "learning_rate": 2.991522876735154e-06,
2288
+ "loss": 1.9081,
2289
+ "step": 313
2290
+ },
2291
+ {
2292
+ "epoch": 1.3083333333333333,
2293
+ "grad_norm": 0.58203125,
2294
+ "learning_rate": 2.960024884500467e-06,
2295
+ "loss": 1.8635,
2296
+ "step": 314
2297
+ },
2298
+ {
2299
+ "epoch": 1.3125,
2300
+ "grad_norm": 0.5859375,
2301
+ "learning_rate": 2.928623718538006e-06,
2302
+ "loss": 1.8482,
2303
+ "step": 315
2304
+ },
2305
+ {
2306
+ "epoch": 1.3166666666666667,
2307
+ "grad_norm": 0.58984375,
2308
+ "learning_rate": 2.8973208692864623e-06,
2309
+ "loss": 1.8193,
2310
+ "step": 316
2311
+ },
2312
+ {
2313
+ "epoch": 1.3208333333333333,
2314
+ "grad_norm": 0.5703125,
2315
+ "learning_rate": 2.866117822517982e-06,
2316
+ "loss": 1.9024,
2317
+ "step": 317
2318
+ },
2319
+ {
2320
+ "epoch": 1.325,
2321
+ "grad_norm": 0.61328125,
2322
+ "learning_rate": 2.8350160592676407e-06,
2323
+ "loss": 1.7604,
2324
+ "step": 318
2325
+ },
2326
+ {
2327
+ "epoch": 1.3291666666666666,
2328
+ "grad_norm": 0.55859375,
2329
+ "learning_rate": 2.804017055763149e-06,
2330
+ "loss": 1.8478,
2331
+ "step": 319
2332
+ },
2333
+ {
2334
+ "epoch": 1.3333333333333333,
2335
+ "grad_norm": 0.59765625,
2336
+ "learning_rate": 2.7731222833547842e-06,
2337
+ "loss": 1.7589,
2338
+ "step": 320
2339
+ },
2340
+ {
2341
+ "epoch": 1.3375,
2342
+ "grad_norm": 0.60546875,
2343
+ "learning_rate": 2.7423332084455543e-06,
2344
+ "loss": 1.8474,
2345
+ "step": 321
2346
+ },
2347
+ {
2348
+ "epoch": 1.3416666666666668,
2349
+ "grad_norm": 0.59375,
2350
+ "learning_rate": 2.711651292421593e-06,
2351
+ "loss": 1.6013,
2352
+ "step": 322
2353
+ },
2354
+ {
2355
+ "epoch": 1.3458333333333332,
2356
+ "grad_norm": 0.58984375,
2357
+ "learning_rate": 2.681077991582797e-06,
2358
+ "loss": 1.8103,
2359
+ "step": 323
2360
+ },
2361
+ {
2362
+ "epoch": 1.35,
2363
+ "grad_norm": 0.60546875,
2364
+ "learning_rate": 2.6506147570737094e-06,
2365
+ "loss": 1.7213,
2366
+ "step": 324
2367
+ },
2368
+ {
2369
+ "epoch": 1.3541666666666667,
2370
+ "grad_norm": 0.6328125,
2371
+ "learning_rate": 2.6202630348146323e-06,
2372
+ "loss": 1.9982,
2373
+ "step": 325
2374
+ },
2375
+ {
2376
+ "epoch": 1.3583333333333334,
2377
+ "grad_norm": 0.6171875,
2378
+ "learning_rate": 2.590024265433002e-06,
2379
+ "loss": 1.8726,
2380
+ "step": 326
2381
+ },
2382
+ {
2383
+ "epoch": 1.3625,
2384
+ "grad_norm": 0.578125,
2385
+ "learning_rate": 2.5598998841950105e-06,
2386
+ "loss": 1.8326,
2387
+ "step": 327
2388
+ },
2389
+ {
2390
+ "epoch": 1.3666666666666667,
2391
+ "grad_norm": 0.55078125,
2392
+ "learning_rate": 2.529891320937481e-06,
2393
+ "loss": 1.8889,
2394
+ "step": 328
2395
+ },
2396
+ {
2397
+ "epoch": 1.3708333333333333,
2398
+ "grad_norm": 0.59375,
2399
+ "learning_rate": 2.5000000000000015e-06,
2400
+ "loss": 1.7805,
2401
+ "step": 329
2402
+ },
2403
+ {
2404
+ "epoch": 1.375,
2405
+ "grad_norm": 0.5546875,
2406
+ "learning_rate": 2.470227340157316e-06,
2407
+ "loss": 1.8279,
2408
+ "step": 330
2409
+ },
2410
+ {
2411
+ "epoch": 1.375,
2412
+ "eval_loss": 2.1639864444732666,
2413
+ "eval_runtime": 18.0542,
2414
+ "eval_samples_per_second": 136.81,
2415
+ "eval_steps_per_second": 34.23,
2416
+ "step": 330
2417
+ },
2418
+ {
2419
+ "epoch": 1.3791666666666667,
2420
+ "grad_norm": 0.62890625,
2421
+ "learning_rate": 2.4405747545519966e-06,
2422
+ "loss": 1.7644,
2423
+ "step": 331
2424
+ },
2425
+ {
2426
+ "epoch": 1.3833333333333333,
2427
+ "grad_norm": 0.62109375,
2428
+ "learning_rate": 2.411043650627343e-06,
2429
+ "loss": 2.0436,
2430
+ "step": 332
2431
+ },
2432
+ {
2433
+ "epoch": 1.3875,
2434
+ "grad_norm": 0.60546875,
2435
+ "learning_rate": 2.381635430060611e-06,
2436
+ "loss": 1.788,
2437
+ "step": 333
2438
+ },
2439
+ {
2440
+ "epoch": 1.3916666666666666,
2441
+ "grad_norm": 0.55859375,
2442
+ "learning_rate": 2.352351488696457e-06,
2443
+ "loss": 1.7686,
2444
+ "step": 334
2445
+ },
2446
+ {
2447
+ "epoch": 1.3958333333333333,
2448
+ "grad_norm": 0.5859375,
2449
+ "learning_rate": 2.323193216480698e-06,
2450
+ "loss": 1.8554,
2451
+ "step": 335
2452
+ },
2453
+ {
2454
+ "epoch": 1.4,
2455
+ "grad_norm": 0.57421875,
2456
+ "learning_rate": 2.2941619973943363e-06,
2457
+ "loss": 1.7455,
2458
+ "step": 336
2459
+ },
2460
+ {
2461
+ "epoch": 1.4041666666666668,
2462
+ "grad_norm": 0.61328125,
2463
+ "learning_rate": 2.265259209387867e-06,
2464
+ "loss": 1.8707,
2465
+ "step": 337
2466
+ },
2467
+ {
2468
+ "epoch": 1.4083333333333332,
2469
+ "grad_norm": 0.56640625,
2470
+ "learning_rate": 2.236486224315877e-06,
2471
+ "loss": 1.7417,
2472
+ "step": 338
2473
+ },
2474
+ {
2475
+ "epoch": 1.4125,
2476
+ "grad_norm": 0.5546875,
2477
+ "learning_rate": 2.207844407871929e-06,
2478
+ "loss": 1.8442,
2479
+ "step": 339
2480
+ },
2481
+ {
2482
+ "epoch": 1.4166666666666667,
2483
+ "grad_norm": 0.5859375,
2484
+ "learning_rate": 2.179335119523745e-06,
2485
+ "loss": 1.85,
2486
+ "step": 340
2487
+ },
2488
+ {
2489
+ "epoch": 1.4208333333333334,
2490
+ "grad_norm": 0.578125,
2491
+ "learning_rate": 2.1509597124486693e-06,
2492
+ "loss": 1.8422,
2493
+ "step": 341
2494
+ },
2495
+ {
2496
+ "epoch": 1.425,
2497
+ "grad_norm": 0.5546875,
2498
+ "learning_rate": 2.12271953346945e-06,
2499
+ "loss": 1.9288,
2500
+ "step": 342
2501
+ },
2502
+ {
2503
+ "epoch": 1.4291666666666667,
2504
+ "grad_norm": 0.58984375,
2505
+ "learning_rate": 2.094615922990309e-06,
2506
+ "loss": 1.7285,
2507
+ "step": 343
2508
+ },
2509
+ {
2510
+ "epoch": 1.4333333333333333,
2511
+ "grad_norm": 0.5390625,
2512
+ "learning_rate": 2.0666502149333215e-06,
2513
+ "loss": 1.9623,
2514
+ "step": 344
2515
+ },
2516
+ {
2517
+ "epoch": 1.4375,
2518
+ "grad_norm": 0.578125,
2519
+ "learning_rate": 2.0388237366751005e-06,
2520
+ "loss": 1.7166,
2521
+ "step": 345
2522
+ },
2523
+ {
2524
+ "epoch": 1.4416666666666667,
2525
+ "grad_norm": 0.59375,
2526
+ "learning_rate": 2.0111378089837958e-06,
2527
+ "loss": 1.7423,
2528
+ "step": 346
2529
+ },
2530
+ {
2531
+ "epoch": 1.4458333333333333,
2532
+ "grad_norm": 0.58984375,
2533
+ "learning_rate": 1.9835937459564065e-06,
2534
+ "loss": 1.8273,
2535
+ "step": 347
2536
+ },
2537
+ {
2538
+ "epoch": 1.45,
2539
+ "grad_norm": 0.5625,
2540
+ "learning_rate": 1.956192854956397e-06,
2541
+ "loss": 1.7475,
2542
+ "step": 348
2543
+ },
2544
+ {
2545
+ "epoch": 1.4541666666666666,
2546
+ "grad_norm": 0.61328125,
2547
+ "learning_rate": 1.928936436551661e-06,
2548
+ "loss": 1.8202,
2549
+ "step": 349
2550
+ },
2551
+ {
2552
+ "epoch": 1.4583333333333333,
2553
+ "grad_norm": 0.578125,
2554
+ "learning_rate": 1.901825784452777e-06,
2555
+ "loss": 1.8016,
2556
+ "step": 350
2557
+ },
2558
+ {
2559
+ "epoch": 1.4625,
2560
+ "grad_norm": 0.58203125,
2561
+ "learning_rate": 1.874862185451608e-06,
2562
+ "loss": 1.8716,
2563
+ "step": 351
2564
+ },
2565
+ {
2566
+ "epoch": 1.4666666666666668,
2567
+ "grad_norm": 0.55859375,
2568
+ "learning_rate": 1.848046919360225e-06,
2569
+ "loss": 1.993,
2570
+ "step": 352
2571
+ },
2572
+ {
2573
+ "epoch": 1.4708333333333332,
2574
+ "grad_norm": 0.54296875,
2575
+ "learning_rate": 1.8213812589501611e-06,
2576
+ "loss": 1.8034,
2577
+ "step": 353
2578
+ },
2579
+ {
2580
+ "epoch": 1.475,
2581
+ "grad_norm": 0.546875,
2582
+ "learning_rate": 1.7948664698919987e-06,
2583
+ "loss": 1.8488,
2584
+ "step": 354
2585
+ },
2586
+ {
2587
+ "epoch": 1.4791666666666667,
2588
+ "grad_norm": 0.57421875,
2589
+ "learning_rate": 1.7685038106952952e-06,
2590
+ "loss": 1.8102,
2591
+ "step": 355
2592
+ },
2593
+ {
2594
+ "epoch": 1.4833333333333334,
2595
+ "grad_norm": 0.609375,
2596
+ "learning_rate": 1.7422945326488555e-06,
2597
+ "loss": 1.8314,
2598
+ "step": 356
2599
+ },
2600
+ {
2601
+ "epoch": 1.4875,
2602
+ "grad_norm": 0.5859375,
2603
+ "learning_rate": 1.7162398797613284e-06,
2604
+ "loss": 1.7928,
2605
+ "step": 357
2606
+ },
2607
+ {
2608
+ "epoch": 1.4916666666666667,
2609
+ "grad_norm": 0.58203125,
2610
+ "learning_rate": 1.6903410887021676e-06,
2611
+ "loss": 1.6721,
2612
+ "step": 358
2613
+ },
2614
+ {
2615
+ "epoch": 1.4958333333333333,
2616
+ "grad_norm": 0.5859375,
2617
+ "learning_rate": 1.6645993887429345e-06,
2618
+ "loss": 1.8866,
2619
+ "step": 359
2620
+ },
2621
+ {
2622
+ "epoch": 1.5,
2623
+ "grad_norm": 0.58984375,
2624
+ "learning_rate": 1.6390160016989487e-06,
2625
+ "loss": 1.8271,
2626
+ "step": 360
2627
+ },
2628
+ {
2629
+ "epoch": 1.5,
2630
+ "eval_loss": 2.1637861728668213,
2631
+ "eval_runtime": 18.1479,
2632
+ "eval_samples_per_second": 136.104,
2633
+ "eval_steps_per_second": 34.054,
2634
+ "step": 360
2635
+ },
2636
+ {
2637
+ "epoch": 1.5041666666666667,
2638
+ "grad_norm": 0.5859375,
2639
+ "learning_rate": 1.6135921418712959e-06,
2640
+ "loss": 1.9767,
2641
+ "step": 361
2642
+ },
2643
+ {
2644
+ "epoch": 1.5083333333333333,
2645
+ "grad_norm": 0.5859375,
2646
+ "learning_rate": 1.5883290159891907e-06,
2647
+ "loss": 2.0329,
2648
+ "step": 362
2649
+ },
2650
+ {
2651
+ "epoch": 1.5125,
2652
+ "grad_norm": 0.5625,
2653
+ "learning_rate": 1.5632278231527081e-06,
2654
+ "loss": 1.8797,
2655
+ "step": 363
2656
+ },
2657
+ {
2658
+ "epoch": 1.5166666666666666,
2659
+ "grad_norm": 0.59375,
2660
+ "learning_rate": 1.5382897547758513e-06,
2661
+ "loss": 1.9346,
2662
+ "step": 364
2663
+ },
2664
+ {
2665
+ "epoch": 1.5208333333333335,
2666
+ "grad_norm": 0.57421875,
2667
+ "learning_rate": 1.5135159945300232e-06,
2668
+ "loss": 1.8074,
2669
+ "step": 365
2670
+ },
2671
+ {
2672
+ "epoch": 1.525,
2673
+ "grad_norm": 0.56640625,
2674
+ "learning_rate": 1.488907718287827e-06,
2675
+ "loss": 1.803,
2676
+ "step": 366
2677
+ },
2678
+ {
2679
+ "epoch": 1.5291666666666668,
2680
+ "grad_norm": 0.6328125,
2681
+ "learning_rate": 1.4644660940672628e-06,
2682
+ "loss": 1.9276,
2683
+ "step": 367
2684
+ },
2685
+ {
2686
+ "epoch": 1.5333333333333332,
2687
+ "grad_norm": 0.6328125,
2688
+ "learning_rate": 1.4401922819762864e-06,
2689
+ "loss": 2.0393,
2690
+ "step": 368
2691
+ },
2692
+ {
2693
+ "epoch": 1.5375,
2694
+ "grad_norm": 0.5625,
2695
+ "learning_rate": 1.4160874341577447e-06,
2696
+ "loss": 1.9262,
2697
+ "step": 369
2698
+ },
2699
+ {
2700
+ "epoch": 1.5416666666666665,
2701
+ "grad_norm": 0.57421875,
2702
+ "learning_rate": 1.3921526947346902e-06,
2703
+ "loss": 1.7655,
2704
+ "step": 370
2705
+ },
2706
+ {
2707
+ "epoch": 1.5458333333333334,
2708
+ "grad_norm": 0.5625,
2709
+ "learning_rate": 1.368389199756075e-06,
2710
+ "loss": 1.8659,
2711
+ "step": 371
2712
+ },
2713
+ {
2714
+ "epoch": 1.55,
2715
+ "grad_norm": 0.58984375,
2716
+ "learning_rate": 1.344798077142836e-06,
2717
+ "loss": 1.5983,
2718
+ "step": 372
2719
+ },
2720
+ {
2721
+ "epoch": 1.5541666666666667,
2722
+ "grad_norm": 0.57421875,
2723
+ "learning_rate": 1.321380446634342e-06,
2724
+ "loss": 1.8249,
2725
+ "step": 373
2726
+ },
2727
+ {
2728
+ "epoch": 1.5583333333333333,
2729
+ "grad_norm": 0.5546875,
2730
+ "learning_rate": 1.2981374197352663e-06,
2731
+ "loss": 1.8636,
2732
+ "step": 374
2733
+ },
2734
+ {
2735
+ "epoch": 1.5625,
2736
+ "grad_norm": 0.54296875,
2737
+ "learning_rate": 1.275070099662815e-06,
2738
+ "loss": 1.715,
2739
+ "step": 375
2740
+ },
2741
+ {
2742
+ "epoch": 1.5666666666666667,
2743
+ "grad_norm": 0.5546875,
2744
+ "learning_rate": 1.2521795812943704e-06,
2745
+ "loss": 1.7953,
2746
+ "step": 376
2747
+ },
2748
+ {
2749
+ "epoch": 1.5708333333333333,
2750
+ "grad_norm": 0.5625,
2751
+ "learning_rate": 1.2294669511155193e-06,
2752
+ "loss": 1.8684,
2753
+ "step": 377
2754
+ },
2755
+ {
2756
+ "epoch": 1.575,
2757
+ "grad_norm": 0.58984375,
2758
+ "learning_rate": 1.2069332871684875e-06,
2759
+ "loss": 1.8129,
2760
+ "step": 378
2761
+ },
2762
+ {
2763
+ "epoch": 1.5791666666666666,
2764
+ "grad_norm": 0.53515625,
2765
+ "learning_rate": 1.1845796590009684e-06,
2766
+ "loss": 1.7611,
2767
+ "step": 379
2768
+ },
2769
+ {
2770
+ "epoch": 1.5833333333333335,
2771
+ "grad_norm": 0.578125,
2772
+ "learning_rate": 1.162407127615357e-06,
2773
+ "loss": 1.7914,
2774
+ "step": 380
2775
+ },
2776
+ {
2777
+ "epoch": 1.5875,
2778
+ "grad_norm": 0.578125,
2779
+ "learning_rate": 1.1404167454183957e-06,
2780
+ "loss": 1.8212,
2781
+ "step": 381
2782
+ },
2783
+ {
2784
+ "epoch": 1.5916666666666668,
2785
+ "grad_norm": 0.5859375,
2786
+ "learning_rate": 1.118609556171213e-06,
2787
+ "loss": 1.6886,
2788
+ "step": 382
2789
+ },
2790
+ {
2791
+ "epoch": 1.5958333333333332,
2792
+ "grad_norm": 0.58984375,
2793
+ "learning_rate": 1.0969865949397902e-06,
2794
+ "loss": 1.9198,
2795
+ "step": 383
2796
+ },
2797
+ {
2798
+ "epoch": 1.6,
2799
+ "grad_norm": 0.59765625,
2800
+ "learning_rate": 1.075548888045827e-06,
2801
+ "loss": 1.7551,
2802
+ "step": 384
2803
+ },
2804
+ {
2805
+ "epoch": 1.6041666666666665,
2806
+ "grad_norm": 0.58203125,
2807
+ "learning_rate": 1.0542974530180327e-06,
2808
+ "loss": 1.8298,
2809
+ "step": 385
2810
+ },
2811
+ {
2812
+ "epoch": 1.6083333333333334,
2813
+ "grad_norm": 0.55859375,
2814
+ "learning_rate": 1.0332332985438248e-06,
2815
+ "loss": 1.8998,
2816
+ "step": 386
2817
+ },
2818
+ {
2819
+ "epoch": 1.6125,
2820
+ "grad_norm": 0.63671875,
2821
+ "learning_rate": 1.0123574244214552e-06,
2822
+ "loss": 1.7982,
2823
+ "step": 387
2824
+ },
2825
+ {
2826
+ "epoch": 1.6166666666666667,
2827
+ "grad_norm": 0.5703125,
2828
+ "learning_rate": 9.916708215125586e-07,
2829
+ "loss": 1.76,
2830
+ "step": 388
2831
+ },
2832
+ {
2833
+ "epoch": 1.6208333333333333,
2834
+ "grad_norm": 0.56640625,
2835
+ "learning_rate": 9.711744716951093e-07,
2836
+ "loss": 1.9085,
2837
+ "step": 389
2838
+ },
2839
+ {
2840
+ "epoch": 1.625,
2841
+ "grad_norm": 0.6015625,
2842
+ "learning_rate": 9.508693478168346e-07,
2843
+ "loss": 1.8589,
2844
+ "step": 390
2845
+ },
2846
+ {
2847
+ "epoch": 1.625,
2848
+ "eval_loss": 2.163708448410034,
2849
+ "eval_runtime": 19.4818,
2850
+ "eval_samples_per_second": 126.785,
2851
+ "eval_steps_per_second": 31.722,
2852
+ "step": 390
2853
+ },
2854
+ {
2855
+ "epoch": 1.6291666666666667,
2856
+ "grad_norm": 0.578125,
2857
+ "learning_rate": 9.307564136490255e-07,
2858
+ "loss": 1.9411,
2859
+ "step": 391
2860
+ },
2861
+ {
2862
+ "epoch": 1.6333333333333333,
2863
+ "grad_norm": 0.56640625,
2864
+ "learning_rate": 9.108366238407968e-07,
2865
+ "loss": 1.8833,
2866
+ "step": 392
2867
+ },
2868
+ {
2869
+ "epoch": 1.6375,
2870
+ "grad_norm": 0.578125,
2871
+ "learning_rate": 8.911109238737748e-07,
2872
+ "loss": 1.8408,
2873
+ "step": 393
2874
+ },
2875
+ {
2876
+ "epoch": 1.6416666666666666,
2877
+ "grad_norm": 0.5390625,
2878
+ "learning_rate": 8.715802500172215e-07,
2879
+ "loss": 1.824,
2880
+ "step": 394
2881
+ },
2882
+ {
2883
+ "epoch": 1.6458333333333335,
2884
+ "grad_norm": 0.60546875,
2885
+ "learning_rate": 8.522455292835935e-07,
2886
+ "loss": 1.8194,
2887
+ "step": 395
2888
+ },
2889
+ {
2890
+ "epoch": 1.65,
2891
+ "grad_norm": 0.6171875,
2892
+ "learning_rate": 8.331076793845422e-07,
2893
+ "loss": 1.7927,
2894
+ "step": 396
2895
+ },
2896
+ {
2897
+ "epoch": 1.6541666666666668,
2898
+ "grad_norm": 0.54296875,
2899
+ "learning_rate": 8.141676086873574e-07,
2900
+ "loss": 1.7387,
2901
+ "step": 397
2902
+ },
2903
+ {
2904
+ "epoch": 1.6583333333333332,
2905
+ "grad_norm": 0.58984375,
2906
+ "learning_rate": 7.954262161718479e-07,
2907
+ "loss": 1.7165,
2908
+ "step": 398
2909
+ },
2910
+ {
2911
+ "epoch": 1.6625,
2912
+ "grad_norm": 0.54296875,
2913
+ "learning_rate": 7.768843913876756e-07,
2914
+ "loss": 1.7462,
2915
+ "step": 399
2916
+ },
2917
+ {
2918
+ "epoch": 1.6666666666666665,
2919
+ "grad_norm": 0.55078125,
2920
+ "learning_rate": 7.585430144121319e-07,
2921
+ "loss": 1.797,
2922
+ "step": 400
2923
+ },
2924
+ {
2925
+ "epoch": 1.6708333333333334,
2926
+ "grad_norm": 0.58984375,
2927
+ "learning_rate": 7.404029558083653e-07,
2928
+ "loss": 1.8779,
2929
+ "step": 401
2930
+ },
2931
+ {
2932
+ "epoch": 1.675,
2933
+ "grad_norm": 0.5546875,
2934
+ "learning_rate": 7.224650765840613e-07,
2935
+ "loss": 1.6523,
2936
+ "step": 402
2937
+ },
2938
+ {
2939
+ "epoch": 1.6791666666666667,
2940
+ "grad_norm": 0.5390625,
2941
+ "learning_rate": 7.047302281505735e-07,
2942
+ "loss": 1.7236,
2943
+ "step": 403
2944
+ },
2945
+ {
2946
+ "epoch": 1.6833333333333333,
2947
+ "grad_norm": 0.58984375,
2948
+ "learning_rate": 6.871992522825183e-07,
2949
+ "loss": 1.852,
2950
+ "step": 404
2951
+ },
2952
+ {
2953
+ "epoch": 1.6875,
2954
+ "grad_norm": 0.578125,
2955
+ "learning_rate": 6.698729810778065e-07,
2956
+ "loss": 1.9569,
2957
+ "step": 405
2958
+ },
2959
+ {
2960
+ "epoch": 1.6916666666666667,
2961
+ "grad_norm": 0.56640625,
2962
+ "learning_rate": 6.527522369181655e-07,
2963
+ "loss": 1.9017,
2964
+ "step": 406
2965
+ },
2966
+ {
2967
+ "epoch": 1.6958333333333333,
2968
+ "grad_norm": 0.58203125,
2969
+ "learning_rate": 6.358378324300929e-07,
2970
+ "loss": 1.8755,
2971
+ "step": 407
2972
+ },
2973
+ {
2974
+ "epoch": 1.7,
2975
+ "grad_norm": 0.5703125,
2976
+ "learning_rate": 6.191305704462897e-07,
2977
+ "loss": 1.9226,
2978
+ "step": 408
2979
+ },
2980
+ {
2981
+ "epoch": 1.7041666666666666,
2982
+ "grad_norm": 0.578125,
2983
+ "learning_rate": 6.026312439675553e-07,
2984
+ "loss": 1.8452,
2985
+ "step": 409
2986
+ },
2987
+ {
2988
+ "epoch": 1.7083333333333335,
2989
+ "grad_norm": 0.578125,
2990
+ "learning_rate": 5.863406361251472e-07,
2991
+ "loss": 1.7341,
2992
+ "step": 410
2993
+ },
2994
+ {
2995
+ "epoch": 1.7125,
2996
+ "grad_norm": 0.57421875,
2997
+ "learning_rate": 5.702595201436101e-07,
2998
+ "loss": 1.8604,
2999
+ "step": 411
3000
+ },
3001
+ {
3002
+ "epoch": 1.7166666666666668,
3003
+ "grad_norm": 0.5625,
3004
+ "learning_rate": 5.543886593040737e-07,
3005
+ "loss": 1.8427,
3006
+ "step": 412
3007
+ },
3008
+ {
3009
+ "epoch": 1.7208333333333332,
3010
+ "grad_norm": 0.57421875,
3011
+ "learning_rate": 5.387288069080298e-07,
3012
+ "loss": 1.9351,
3013
+ "step": 413
3014
+ },
3015
+ {
3016
+ "epoch": 1.725,
3017
+ "grad_norm": 0.59765625,
3018
+ "learning_rate": 5.232807062415691e-07,
3019
+ "loss": 1.6671,
3020
+ "step": 414
3021
+ },
3022
+ {
3023
+ "epoch": 1.7291666666666665,
3024
+ "grad_norm": 0.57421875,
3025
+ "learning_rate": 5.080450905401057e-07,
3026
+ "loss": 1.7277,
3027
+ "step": 415
3028
+ },
3029
+ {
3030
+ "epoch": 1.7333333333333334,
3031
+ "grad_norm": 0.57421875,
3032
+ "learning_rate": 4.930226829535767e-07,
3033
+ "loss": 1.8047,
3034
+ "step": 416
3035
+ },
3036
+ {
3037
+ "epoch": 1.7375,
3038
+ "grad_norm": 0.578125,
3039
+ "learning_rate": 4.782141965121129e-07,
3040
+ "loss": 1.8396,
3041
+ "step": 417
3042
+ },
3043
+ {
3044
+ "epoch": 1.7416666666666667,
3045
+ "grad_norm": 0.58203125,
3046
+ "learning_rate": 4.6362033409220077e-07,
3047
+ "loss": 1.7794,
3048
+ "step": 418
3049
+ },
3050
+ {
3051
+ "epoch": 1.7458333333333333,
3052
+ "grad_norm": 0.5859375,
3053
+ "learning_rate": 4.4924178838331554e-07,
3054
+ "loss": 2.088,
3055
+ "step": 419
3056
+ },
3057
+ {
3058
+ "epoch": 1.75,
3059
+ "grad_norm": 0.6328125,
3060
+ "learning_rate": 4.350792418550509e-07,
3061
+ "loss": 1.9824,
3062
+ "step": 420
3063
+ },
3064
+ {
3065
+ "epoch": 1.75,
3066
+ "eval_loss": 2.1637122631073,
3067
+ "eval_runtime": 18.0757,
3068
+ "eval_samples_per_second": 136.648,
3069
+ "eval_steps_per_second": 34.19,
3070
+ "step": 420
3071
+ },
3072
+ {
3073
+ "epoch": 1.7541666666666667,
3074
+ "grad_norm": 0.55078125,
3075
+ "learning_rate": 4.211333667247125e-07,
3076
+ "loss": 1.7158,
3077
+ "step": 421
3078
+ },
3079
+ {
3080
+ "epoch": 1.7583333333333333,
3081
+ "grad_norm": 0.625,
3082
+ "learning_rate": 4.0740482492542864e-07,
3083
+ "loss": 1.8371,
3084
+ "step": 422
3085
+ },
3086
+ {
3087
+ "epoch": 1.7625,
3088
+ "grad_norm": 0.61328125,
3089
+ "learning_rate": 3.9389426807471764e-07,
3090
+ "loss": 1.9022,
3091
+ "step": 423
3092
+ },
3093
+ {
3094
+ "epoch": 1.7666666666666666,
3095
+ "grad_norm": 0.5625,
3096
+ "learning_rate": 3.8060233744356634e-07,
3097
+ "loss": 1.7749,
3098
+ "step": 424
3099
+ },
3100
+ {
3101
+ "epoch": 1.7708333333333335,
3102
+ "grad_norm": 0.55859375,
3103
+ "learning_rate": 3.675296639259912e-07,
3104
+ "loss": 1.8189,
3105
+ "step": 425
3106
+ },
3107
+ {
3108
+ "epoch": 1.775,
3109
+ "grad_norm": 0.59765625,
3110
+ "learning_rate": 3.546768680090934e-07,
3111
+ "loss": 1.9032,
3112
+ "step": 426
3113
+ },
3114
+ {
3115
+ "epoch": 1.7791666666666668,
3116
+ "grad_norm": 0.5546875,
3117
+ "learning_rate": 3.420445597436056e-07,
3118
+ "loss": 1.8965,
3119
+ "step": 427
3120
+ },
3121
+ {
3122
+ "epoch": 1.7833333333333332,
3123
+ "grad_norm": 0.62109375,
3124
+ "learning_rate": 3.2963333871493917e-07,
3125
+ "loss": 1.7836,
3126
+ "step": 428
3127
+ },
3128
+ {
3129
+ "epoch": 1.7875,
3130
+ "grad_norm": 0.55859375,
3131
+ "learning_rate": 3.174437940147268e-07,
3132
+ "loss": 1.7164,
3133
+ "step": 429
3134
+ },
3135
+ {
3136
+ "epoch": 1.7916666666666665,
3137
+ "grad_norm": 0.53515625,
3138
+ "learning_rate": 3.0547650421285216e-07,
3139
+ "loss": 1.6448,
3140
+ "step": 430
3141
+ },
3142
+ {
3143
+ "epoch": 1.7958333333333334,
3144
+ "grad_norm": 0.5859375,
3145
+ "learning_rate": 2.9373203733000234e-07,
3146
+ "loss": 1.8398,
3147
+ "step": 431
3148
+ },
3149
+ {
3150
+ "epoch": 1.8,
3151
+ "grad_norm": 0.5703125,
3152
+ "learning_rate": 2.8221095081069517e-07,
3153
+ "loss": 1.9501,
3154
+ "step": 432
3155
+ },
3156
+ {
3157
+ "epoch": 1.8041666666666667,
3158
+ "grad_norm": 0.58984375,
3159
+ "learning_rate": 2.7091379149682683e-07,
3160
+ "loss": 1.8656,
3161
+ "step": 433
3162
+ },
3163
+ {
3164
+ "epoch": 1.8083333333333333,
3165
+ "grad_norm": 0.625,
3166
+ "learning_rate": 2.5984109560171387e-07,
3167
+ "loss": 1.8771,
3168
+ "step": 434
3169
+ },
3170
+ {
3171
+ "epoch": 1.8125,
3172
+ "grad_norm": 0.59375,
3173
+ "learning_rate": 2.4899338868464404e-07,
3174
+ "loss": 1.8811,
3175
+ "step": 435
3176
+ },
3177
+ {
3178
+ "epoch": 1.8166666666666667,
3179
+ "grad_norm": 0.578125,
3180
+ "learning_rate": 2.3837118562592799e-07,
3181
+ "loss": 1.7978,
3182
+ "step": 436
3183
+ },
3184
+ {
3185
+ "epoch": 1.8208333333333333,
3186
+ "grad_norm": 0.5859375,
3187
+ "learning_rate": 2.2797499060246253e-07,
3188
+ "loss": 1.8968,
3189
+ "step": 437
3190
+ },
3191
+ {
3192
+ "epoch": 1.825,
3193
+ "grad_norm": 0.62109375,
3194
+ "learning_rate": 2.1780529706380337e-07,
3195
+ "loss": 1.9792,
3196
+ "step": 438
3197
+ },
3198
+ {
3199
+ "epoch": 1.8291666666666666,
3200
+ "grad_norm": 0.609375,
3201
+ "learning_rate": 2.0786258770873647e-07,
3202
+ "loss": 1.8722,
3203
+ "step": 439
3204
+ },
3205
+ {
3206
+ "epoch": 1.8333333333333335,
3207
+ "grad_norm": 0.55859375,
3208
+ "learning_rate": 1.9814733446237356e-07,
3209
+ "loss": 1.913,
3210
+ "step": 440
3211
+ },
3212
+ {
3213
+ "epoch": 1.8375,
3214
+ "grad_norm": 0.6015625,
3215
+ "learning_rate": 1.8865999845374794e-07,
3216
+ "loss": 1.7703,
3217
+ "step": 441
3218
+ },
3219
+ {
3220
+ "epoch": 1.8416666666666668,
3221
+ "grad_norm": 0.546875,
3222
+ "learning_rate": 1.7940102999393194e-07,
3223
+ "loss": 1.8243,
3224
+ "step": 442
3225
+ },
3226
+ {
3227
+ "epoch": 1.8458333333333332,
3228
+ "grad_norm": 0.59765625,
3229
+ "learning_rate": 1.7037086855465902e-07,
3230
+ "loss": 1.9066,
3231
+ "step": 443
3232
+ },
3233
+ {
3234
+ "epoch": 1.85,
3235
+ "grad_norm": 0.55859375,
3236
+ "learning_rate": 1.6156994274746484e-07,
3237
+ "loss": 1.8047,
3238
+ "step": 444
3239
+ },
3240
+ {
3241
+ "epoch": 1.8541666666666665,
3242
+ "grad_norm": 0.60546875,
3243
+ "learning_rate": 1.5299867030334815e-07,
3244
+ "loss": 1.7898,
3245
+ "step": 445
3246
+ },
3247
+ {
3248
+ "epoch": 1.8583333333333334,
3249
+ "grad_norm": 0.61328125,
3250
+ "learning_rate": 1.4465745805293584e-07,
3251
+ "loss": 1.9064,
3252
+ "step": 446
3253
+ },
3254
+ {
3255
+ "epoch": 1.8625,
3256
+ "grad_norm": 0.5703125,
3257
+ "learning_rate": 1.3654670190718035e-07,
3258
+ "loss": 1.8308,
3259
+ "step": 447
3260
+ },
3261
+ {
3262
+ "epoch": 1.8666666666666667,
3263
+ "grad_norm": 0.5703125,
3264
+ "learning_rate": 1.286667868385627e-07,
3265
+ "loss": 1.8555,
3266
+ "step": 448
3267
+ },
3268
+ {
3269
+ "epoch": 1.8708333333333333,
3270
+ "grad_norm": 0.625,
3271
+ "learning_rate": 1.210180868628219e-07,
3272
+ "loss": 2.025,
3273
+ "step": 449
3274
+ },
3275
+ {
3276
+ "epoch": 1.875,
3277
+ "grad_norm": 0.63671875,
3278
+ "learning_rate": 1.1360096502120387e-07,
3279
+ "loss": 1.8668,
3280
+ "step": 450
3281
+ },
3282
+ {
3283
+ "epoch": 1.875,
3284
+ "eval_loss": 2.1636900901794434,
3285
+ "eval_runtime": 18.0442,
3286
+ "eval_samples_per_second": 136.886,
3287
+ "eval_steps_per_second": 34.249,
3288
+ "step": 450
3289
+ },
3290
+ {
3291
+ "epoch": 1.8791666666666667,
3292
+ "grad_norm": 0.5703125,
3293
+ "learning_rate": 1.0641577336322761e-07,
3294
+ "loss": 1.7653,
3295
+ "step": 451
3296
+ },
3297
+ {
3298
+ "epoch": 1.8833333333333333,
3299
+ "grad_norm": 0.5703125,
3300
+ "learning_rate": 9.946285292997681e-08,
3301
+ "loss": 1.8271,
3302
+ "step": 452
3303
+ },
3304
+ {
3305
+ "epoch": 1.8875,
3306
+ "grad_norm": 0.55078125,
3307
+ "learning_rate": 9.274253373791064e-08,
3308
+ "loss": 1.6874,
3309
+ "step": 453
3310
+ },
3311
+ {
3312
+ "epoch": 1.8916666666666666,
3313
+ "grad_norm": 0.58203125,
3314
+ "learning_rate": 8.625513476320291e-08,
3315
+ "loss": 1.8769,
3316
+ "step": 454
3317
+ },
3318
+ {
3319
+ "epoch": 1.8958333333333335,
3320
+ "grad_norm": 0.59765625,
3321
+ "learning_rate": 8.000096392660029e-08,
3322
+ "loss": 1.9365,
3323
+ "step": 455
3324
+ },
3325
+ {
3326
+ "epoch": 1.9,
3327
+ "grad_norm": 0.57421875,
3328
+ "learning_rate": 7.398031807880456e-08,
3329
+ "loss": 1.9398,
3330
+ "step": 456
3331
+ },
3332
+ {
3333
+ "epoch": 1.9041666666666668,
3334
+ "grad_norm": 0.57421875,
3335
+ "learning_rate": 6.819348298638839e-08,
3336
+ "loss": 1.8274,
3337
+ "step": 457
3338
+ },
3339
+ {
3340
+ "epoch": 1.9083333333333332,
3341
+ "grad_norm": 0.57421875,
3342
+ "learning_rate": 6.264073331822551e-08,
3343
+ "loss": 1.9641,
3344
+ "step": 458
3345
+ },
3346
+ {
3347
+ "epoch": 1.9125,
3348
+ "grad_norm": 0.58203125,
3349
+ "learning_rate": 5.7322332632458454e-08,
3350
+ "loss": 1.9163,
3351
+ "step": 459
3352
+ },
3353
+ {
3354
+ "epoch": 1.9166666666666665,
3355
+ "grad_norm": 0.55859375,
3356
+ "learning_rate": 5.223853336398632e-08,
3357
+ "loss": 1.8069,
3358
+ "step": 460
3359
+ },
3360
+ {
3361
+ "epoch": 1.9208333333333334,
3362
+ "grad_norm": 0.58203125,
3363
+ "learning_rate": 4.73895768124838e-08,
3364
+ "loss": 1.8481,
3365
+ "step": 461
3366
+ },
3367
+ {
3368
+ "epoch": 1.925,
3369
+ "grad_norm": 0.578125,
3370
+ "learning_rate": 4.2775693130948094e-08,
3371
+ "loss": 1.7157,
3372
+ "step": 462
3373
+ },
3374
+ {
3375
+ "epoch": 1.9291666666666667,
3376
+ "grad_norm": 0.60546875,
3377
+ "learning_rate": 3.839710131477492e-08,
3378
+ "loss": 1.9448,
3379
+ "step": 463
3380
+ },
3381
+ {
3382
+ "epoch": 1.9333333333333333,
3383
+ "grad_norm": 0.57421875,
3384
+ "learning_rate": 3.425400919136346e-08,
3385
+ "loss": 1.8642,
3386
+ "step": 464
3387
+ },
3388
+ {
3389
+ "epoch": 1.9375,
3390
+ "grad_norm": 0.546875,
3391
+ "learning_rate": 3.034661341025258e-08,
3392
+ "loss": 1.7063,
3393
+ "step": 465
3394
+ },
3395
+ {
3396
+ "epoch": 1.9416666666666667,
3397
+ "grad_norm": 0.5625,
3398
+ "learning_rate": 2.6675099433787212e-08,
3399
+ "loss": 1.8679,
3400
+ "step": 466
3401
+ },
3402
+ {
3403
+ "epoch": 1.9458333333333333,
3404
+ "grad_norm": 0.58984375,
3405
+ "learning_rate": 2.323964152831426e-08,
3406
+ "loss": 1.8071,
3407
+ "step": 467
3408
+ },
3409
+ {
3410
+ "epoch": 1.95,
3411
+ "grad_norm": 0.61328125,
3412
+ "learning_rate": 2.0040402755912013e-08,
3413
+ "loss": 1.8973,
3414
+ "step": 468
3415
+ },
3416
+ {
3417
+ "epoch": 1.9541666666666666,
3418
+ "grad_norm": 0.61328125,
3419
+ "learning_rate": 1.7077534966650767e-08,
3420
+ "loss": 1.8514,
3421
+ "step": 469
3422
+ },
3423
+ {
3424
+ "epoch": 1.9583333333333335,
3425
+ "grad_norm": 0.58203125,
3426
+ "learning_rate": 1.4351178791384702e-08,
3427
+ "loss": 1.9469,
3428
+ "step": 470
3429
+ },
3430
+ {
3431
+ "epoch": 1.9625,
3432
+ "grad_norm": 0.5625,
3433
+ "learning_rate": 1.1861463635077785e-08,
3434
+ "loss": 1.8502,
3435
+ "step": 471
3436
+ },
3437
+ {
3438
+ "epoch": 1.9666666666666668,
3439
+ "grad_norm": 0.56640625,
3440
+ "learning_rate": 9.608507670659239e-09,
3441
+ "loss": 1.8646,
3442
+ "step": 472
3443
+ },
3444
+ {
3445
+ "epoch": 1.9708333333333332,
3446
+ "grad_norm": 0.53515625,
3447
+ "learning_rate": 7.59241783341913e-09,
3448
+ "loss": 1.7634,
3449
+ "step": 473
3450
+ },
3451
+ {
3452
+ "epoch": 1.975,
3453
+ "grad_norm": 0.578125,
3454
+ "learning_rate": 5.8132898159268815e-09,
3455
+ "loss": 1.8671,
3456
+ "step": 474
3457
+ },
3458
+ {
3459
+ "epoch": 1.9791666666666665,
3460
+ "grad_norm": 0.58984375,
3461
+ "learning_rate": 4.2712080634949024e-09,
3462
+ "loss": 1.6967,
3463
+ "step": 475
3464
+ },
3465
+ {
3466
+ "epoch": 1.9833333333333334,
3467
+ "grad_norm": 0.578125,
3468
+ "learning_rate": 2.9662457701662428e-09,
3469
+ "loss": 1.7744,
3470
+ "step": 476
3471
+ },
3472
+ {
3473
+ "epoch": 1.9875,
3474
+ "grad_norm": 0.58203125,
3475
+ "learning_rate": 1.8984648752429222e-09,
3476
+ "loss": 1.9288,
3477
+ "step": 477
3478
+ },
3479
+ {
3480
+ "epoch": 1.9916666666666667,
3481
+ "grad_norm": 0.5625,
3482
+ "learning_rate": 1.0679160603449533e-09,
3483
+ "loss": 1.768,
3484
+ "step": 478
3485
+ },
3486
+ {
3487
+ "epoch": 1.9958333333333333,
3488
+ "grad_norm": 0.59765625,
3489
+ "learning_rate": 4.746387470044855e-10,
3490
+ "loss": 1.9382,
3491
+ "step": 479
3492
+ },
3493
+ {
3494
+ "epoch": 2.0,
3495
+ "grad_norm": 0.578125,
3496
+ "learning_rate": 1.1866109479674593e-10,
3497
+ "loss": 2.0332,
3498
+ "step": 480
3499
+ },
3500
+ {
3501
+ "epoch": 2.0,
3502
+ "eval_loss": 2.1636929512023926,
3503
+ "eval_runtime": 18.1368,
3504
+ "eval_samples_per_second": 136.187,
3505
+ "eval_steps_per_second": 34.074,
3506
+ "step": 480
3507
+ }
3508
+ ],
3509
+ "logging_steps": 1,
3510
+ "max_steps": 480,
3511
+ "num_input_tokens_seen": 0,
3512
+ "num_train_epochs": 2,
3513
+ "save_steps": 240,
3514
+ "stateful_callbacks": {
3515
+ "TrainerControl": {
3516
+ "args": {
3517
+ "should_epoch_stop": false,
3518
+ "should_evaluate": false,
3519
+ "should_log": false,
3520
+ "should_save": true,
3521
+ "should_training_stop": true
3522
+ },
3523
+ "attributes": {}
3524
+ }
3525
+ },
3526
+ "total_flos": 3.0147732660289536e+18,
3527
+ "train_batch_size": 2,
3528
+ "trial_name": null,
3529
+ "trial_params": null
3530
+ }
checkpoint-480/training_args.bin ADDED
@@ -0,0 +1,3 @@
 
 
 
 
1
+ version https://git-lfs.github.com/spec/v1
2
+ oid sha256:15fb29291e237bb6852e6151458e3d0cfe63317cfacf935aa03a60b806d5fc96
3
+ size 6840
checkpoint-480/vocab.json ADDED
The diff for this file is too large to render. See raw diff